Ecco come Netfilx utilizza i dati per controllare l’attenzione degli abbonati

Il ceo e fondatore del famoso servizio di streaming, Reed Hastings, ha dichiarato che "il sonno è il suo più grande nemico". Rivelata la strategia dell'azienda per tenere le persone incollate allo schermo

Ecco come Netfilx utilizza i dati per controllare l’attenzione degli abbonati

Stiamo parlando di una piattaforma che conta più di 100 milioni di persone paganti, che ogni anno spende fior di miliardi per portare contenuti esclusivi ai suoi abbonanti e che ha completamente ridisegnato il concetto di streaming e intrattenimento grazie alla visione geniale dei fondatori.

The rabbit hole problem

In una curiosa intervista di Business Insider a Chris Jaffe, vice presidente del reparto innovazione di questa compagnia, è emerso un problema non indifferente che affliggeva i media tradizionali come le televisione: the rabbit hole problem. Si tratta di una situazione molto comune che ognuno di noi ha vissuto almeno una volta: navigare in una marea sconfinati di contenuti senza sapere quale scegliere e passare intere mezz’ore bloccati in questo processo. Impossibile da sconfiggere per i classici media ma affrontabile per le piattaforme ultra personalizzabili del ventunesimo secolo. La soluzione si chiama machine learning: una branca dell’intelligenza artificiale che permette di apprendere dai dati (in questo caso degli abbonati) ed elaborare soluzioni intelligenti a seconda delle tue caratteristiche.

Il sonno è il più grande nemico di Netflix 

Dopo qualche giorno, mese o anno che utilizzi il servizio, Netflix sa perfettamente cosa preferisci guardare, in che modo a che ora e quali siano le tue debolezze che ti costringono a continuare la serie TV anziché andare a dormire. E’ proprio il sonno a quanto pare il vero avversario di Netflix viste le parole nel tweet del CEO e fondatore Reed Hastings: "sleep is my greatest enemy".  Arrivando ad un punto di vista pratico, come fa Netflix a tenerci svegli? Come funzionano i suoi algoritmi, quali strategie usa l’azienda per controllare l’attenzione delle persone? Premetto che gli unici a sapere davvero la risposta sono gli ingegneri di Netflix e molto spesso nemmeno loro visto che gli algoritmi di machine learning, per loro natura, apprendono in modo autonomo senza essere direttamente programmati secondo la logica IF-ELSE (se succede questo esegui quest’altro.)

3 cose da sapere sui dati

Profilazione: fin troppo noto per chi si occupa di social media e data analytics ma ci tengo a ricordarlo. La nostra attività su internet si avvicina sempre più ad un’esperienza su misura. Ogni nostro nome è collegato ad un profilo univoco dove vengono raccolte le informazioni sulle nostre preferenze. Dai click alle categorie di film, dai nostri attori preferiti all’ora in cui consumiamo contenuto, per quanto tempo e a che ora spegniamo lo schermo. I profili che coincidono per preferenze e caratteristiche vengono utilizzati in massa per eseguire test comportamentali: cosa succede se cambio il colore dello sfondo da bianco a nero durante le ore notturne? Aumenta o diminuisce il tempo impiegato sulla piattaforma? Questi esperimenti vengono chiamati A/B test e sono noti dai proprietari di e-commerce da anni.

A/B Test: In statistica, web analytics o comunque la si voglia chiamare un A/B test è un esperimento che verifica la veridicità di un’ipotesi verificando con i dati la sua esattezza o incoerenza. Viene chiamato appunto A/B perché misura un'unica variazione all’interno di una piattaforma per poter verificare in modo accurato la sua efficacia. Più A/B test si svolgono e più ci si avvicina alla massima efficienza. La cosa a dir poco sorprendente è che all’interno di Netflix avvengono la bellezza di quasi 300 A/B test ogni anno su campioni di circa 100 mila persone.

Un esempio? Al campione x di persone che ama le serie horror e che spegne la TV intorno alle 23  di sera viene proposta un’intervista al noto attore y esattamente  20 secondi dopo le 23 (guarda a caso). A questo punto si calcola il numero di persone che effettivamente ha guardato l’intervista superando l’importante orario in rapporto al totale del campione. La sera seguente si esegue lo stesso test cambiando leggermente l’orario o il tipo di contenuto. I dati mostrano il test più efficiente che verrà nuovamente messo alla prova migliorando ancora il risultato.

Dati Espliciti e Dati Impliciti: abbiamo visto i test e l’efficienza di una strategia che nel tempo continua ad ottimizzarsi per massimizzare il risultato desiderato. L’ultimo tassello che manca per completare il quadro generale è proprio il tipo di dato. Direttamente dal sito di Netflix Italia: "Stimiamo la probabilità che tu possa guardare un determinato titolo del nostro catalogo sulla base di una serie di fattori, tra cui: le tue interazioni con il servizio (come la tua attività di visione e le tue valutazioni di altri titoli), altri abbonati al nostro servizio con gusti e preferenze simili e informazioni sui titoli, come il genere, le categorie, gli attori, l'anno di uscita, ecc. Oltre ai titoli che hai guardato su Netflix, per personalizzare al meglio i consigli esaminiamo anche fattori come: l'ora del giorno in cui guardi Netflix, i dispositivi che utilizzi per guardare Netflix e per quanto tempo guardi Netflix". 

La strategia di Netflix 

Weird ha cercato di fare luce su cosa davvero accada all’interno di Netflix e in un’intervista ha dato qualche chiarimento in più sulla data strategy dell’azienda. Proviamo ad entrare un po' più nel profondo per  capire la strategia.

Misurazioni Dirette: si tratta delle informazioni più semplici e  intuitive da registrare come click, interazioni, recensioni, orari e tempi di visione. Questi tipi di dati vengono chiamati espliciti perché intenzionalmente comunicati dagli abbonati.

Contesto del contenuto: fino a quando abbiamo qualcosa di misurabile come metriche e numeri, macchine e algoritmi sono piuttosto efficienti. Tuttavia quando si inizia a parlare di contesto e comprensione non sempre la tecnologia ci può aiutare. Per Netflix e il suo algoritmo di raccomandazione è molto importante classificare ogni contenuto in categorie (tag) molto precise così da poter riproporre a persone con caratteristiche simili gli stessi contenuti. Per questo lavoro Netflix assume ogni mese decine di freelancer che guardano ogni spettacolo e classificano il contenuto a seconda delle istruzioni fornite dall’azienda.

Machine Learning: siamo arrivati alla parte finale. Questo è il passaggio dove si da un peso e una logica ad ogni dato raccolto. Si parte dalle informazioni esplicite per tenere traccia del comportamento degli utenti. Si testano ipotesi A/B basandosi sui tag di riconoscimento accuratamente etichettati dai collaboratori di Netflix.

Proprio unendo la capacità umana di capire il contesto e le potenzialità delle macchine nell’ottimizzare si crea un strumento così potente da tenere sveglie le persone. Netflix è un esempio perfetto di come le aziende abbiamo sviluppate strategie così sofisticate con i dati da guidare i propri business e… le persone.