Perché la nostra homepage di Netflix è completamente diversa rispetto a quella del nostro amico? La risposta è il Machine Learning, l’intelligenza artificiale che apprende costantemente il comportamento dell’individuo fino a poterne personalizzare perfettamente l’esperienza.
Ad ognuno il proprio contenuto
Nella televisione lineare il compito del “programmatore di contenuti” è quello di selezionare i programmi da mandare in onda, scegliere gli orari e anche il canale più adeguato. Ma anche con centinaia di canali televisivi disponibili c’è scarsità: scarsità di spettro, di contenuti, di interessi specifici, perché tutto è programmato per la massa.
La promessa di Netflix – dall’inaugurazione della piattaforma nel 2007 – è quella di fornire centinaia di milioni di canali per far sì che ogni utente abbia il proprio. Così il dominio umano lavora insieme agli algoritmi per produrre un’esperienza completamente personalizzata.
Accedendo al nostro account vediamo in Homepage solo la punta dell’iceberg di un catalogo vasto e diversificato, con i titoli più pertinenti ai nostri interessi nelle posizioni più visibili e, allo stesso tempo, con categorie che riflettono la profondità e l’ampiezza dei contenuti.
L’obiettivo è aiutare l’utente a trovare qualcosa che gli piacerà con il minimo sforzo, che si traduce in un aumento del Click-Through Rate e nella massimizzazione del tempo di permanenza e quindi di visione all’interno della piattaforma.
Si tratta di un rapporto direttamente proporzionale: più tempo si spende in piattaforma, più valore contenutistico si riceve e maggiore sarà il valore economico che il cliente sarà disposto a pagare per rimanere su Netflix.
Come Netflix personalizza l’esperienza di visione
Il Machine Learning di Netflix stima la probabilità che un visitatore guarderà un titolo particolare presente nel catalogo in base a una serie di fattori, quali:
- Le interazioni con il servizio, come la cronologia di visualizzazione e la valutazione di altri titoli;
- Altri membri con gusti e preferenze simili;
- Informazione sui titoli, come il genere, le categorie, gli attori, l’anno di uscita;
- Dati contestuali di visione, come l’ora del giorno in cui ci si collega, i dispositivi su cui si guarda e per quanto tempo.
Se si tratta di un nuovo utente e il Machine Learning ancora non sa nulla dei suoi gusti, da dove si comincia?
Si parte dagli show più popolari, ma i titoli più noti e di successo non sono rilevanti per tutti, in effetti, la popolarità è esattamente l’opposto della personalizzazione. Il punto d’incontro tra questi due compagini si presenta nel momento in cui, dopo aver creato l’account, si chiede all’utente di scegliere alcuni titoli che apprezza così da avviare lo studio dello spettatore e affinare progressivamente i consigli di visione.
L’osservazione dei comportamenti e i conseguenti suggerimenti da parte del Machine Learning Netflixiano non riguardano solo i contenuti, ma anche la loro presentazione al pubblico. Infatti, ogni show dispone di un set più o meno ampio di miniature (thumbnail) con immagini e template grafici che cambiano per ogni utente, la cui efficacia viene valutata dagli A/B test randomici che la piattaforma conduce.
L’obiettivo è duplice:
- Verificare cosa funziona a livello globale sulla piattaforma;
- Determinare cosa è efficace sull’utente specifico.
La saggezza della folla
Mentre la persona consuma contenuti il sistema di Machine Learning inizia ad identificarla con uno o più gruppi d’interesse, questi cluster emergono organicamente dal monitoraggio del comportamento di milioni di clienti. In Netflix chiamano questa estrazione la “saggezza della folla” o in linguaggio tecnico: “filtraggio collaborativo“.
Ciò vuol dire che, in base all’affinità con quei gruppi di interesse, il nuovo abbonato inizierà a vedere suggerimenti altamente personalizzati, righe di genere e catalogazione pertinenti agli interessi rilevati finora e una buona dose di show popolari.
La bolla del filtro
Con il passare del tempo, l’equilibrio tra contenuti popolari e contenuti rilevanti in base ai gusti punterà a favore di questi ultimi. Ma paradossalmente, una personalizzazione estremizzata potrebbe essere dannosa.
Infatti, le raccomandazioni possono diventare così nitide da intrappolare l’utente nella “bolla del filtro”, cioè negli stretti confini dei propri interessi.
Per tornare all’esempio del nuovo utente, alla fine della prima settimana d’abbonamento il sistema ha appreso i suoi interessi principali. Ora il Machine Learning potrà sfruttare la tecnica della “saggezza della folla” per prevedere con precisione altri papabili interessi e mostrerà, quindi, nuovi consigli.
Conoscevi già questa tecnica utilizzata da Netflix per migliorare la User Experience? Vivi l’indirizzamento delle tue scelte di visione da parte del Machine Learning di Netlix come un fattore positivo o negativo?
Ti aspettiamo per discuterne sui nostri canali social. Entra nella community!
