L’importanza di un consiglio

L’evoluzione e l’affinamento di questa nuova impostazione hanno portato alla definizione dell’attuale sistema di raccomandazione, vero vantaggio competitivo di Netflix.

Potendo contare su uno staff di oltre 300 persone e investimenti annui pari a 150 milioni, Los Gatos è in grado infatti di analizzare continuamente i propri abbonati guardando per ciascuno non solo alle serie tv o i film visti, ma anche a:

- tutte le informazioni inerenti il titolo (genere, attori, anno di uscita etc.);

- le valutazioni rilasciate;

- la data e l’orario in cui ha usufruito del servizio;

- il momento in cui il film/serie tv è stata messa in pausa;

- se dopo la pausa vi è stato il seguito della visione o l’abbandono; - il numero di volte in cui un contenuto è stato messo in pausa; - il tempo trascorso sulla piattaforma;

Lo studio dei dati avviene secondo quanto indicato dal VP Product Todd Yellin nel famoso “Netflix Quantum Theory”: un documento di 36 pagine in cui vengono precisate le modalità tramite cui il team guidato da Yellin stesso procede al tagging dei prodotti presenti nel catalogo. La classificazione riguarda ogni singolo aspetto di un contenuto: trama, personaggi principali e secondari, contesto, ambiente, riconoscimenti ricevuti etc. Quanto fatto finora rappresenta soltanto una prima classificazione, fondamentale però per giungere a dei nuovi micro-tag. Il risultato finale è rappresentato da 8000 nuovi bizzarri generi in cui segmentare ulteriormente i prodotti, ognuno dei quali è un preciso sottoinsieme formato dai seguenti componenti:

- regione di provenienza, - aggettivo, - genere, - basato su, - ambientato in, - da, - a proposito di, - per l’età da X a Y. Figura 3.2

La combinazione di una simile mole di informazioni con numerosi algoritmi permette la strutturazione di un sistema di raccomandazione estremamente efficiente e in continua evoluzione, il suo grado di precisione migliora infatti con il crescere delle interazioni fra l’utente e il sito online, contribuendo alla nascita della Netflix Experience.

L’importanza delle raccomandazioni risiede nel fatto che coloro che cercano direttamente un contenuto perdono interesse entro 60-90 secondi di fronte all’ampiezza e alla profondità del catalogo Netflix. In una situazione del genere risulta dunque fondamentale che all’utente sia proposto immediatamente una serie di prodotti di suo gradimento, così da evitare l’abbandono dal servizio (“Economia dei dati: tendenze di mercato e prospettive di policy”, consultato in data 17/07/2019). L’interazione con l’algoritmo Netflix inizia appena completata l’iscrizione, questo è infatti il momento in cui l’utente è chiamato a selezionare le serie tv e i film di proprio gradimento: questa prima relazione si andrà poi progressivamente ad evolvere e intensificarsi fino ad arrivare a rappresentare una vera e propria esperienza personalizzata, obiettivo ultimo dell’azienda di Los Gatos.

Gli effetti del sistema di raccomandazione sono ben visibili dalla home page di Netflix. Essa si presenta come una struttura matriciale in cui ogni riga è contraddistinta da tre livelli di personalizzazione:

Figura 3.3

- sub-categoria, ovvero l’etichetta indicante il tema che accomuna i video di quella riga (“I più visti su Netflix”, “I titoli del momento” etc.);

- sequenza dei video.

La peculiarità di questa struttura è la sua accezione dinamica in quanto si evolve di pari passo con l’utilizzo da parte del cliente del servizio stesso, da una prima fase in cui risulta estremamente generale e standardizzata diventerà sempre più specifica e vicina ai suoi gusti ed esigenze.

La riga di appartenenza di un video e la sua posizione all’interno di essa sono decisi dagli algoritmi di cui si avvale Netflix. Le righe riguardanti un preciso genere sono definite da un algoritmo di tipo Personalized Video Ranker (PVR), il quale si occupa di rintracciare e ordinare le serie tv e i film inerenti proprio tale argomento. L’ordinamento tra questi video avviene sulla base delle preferenze dell’utente e sul grado di popolarità del contenuto stesso.

Figura 3.4

In figura 3.4 è riportato un tipico esempio di algoritmo PVR: dato l’argomento specifico “Serie TV poliziesche acclamate dalla critica”, vengono proposti i contenuti inerenti che potrebbero interessare l’utente.

Dall’algoritmo Trending Now deriva l’omonima riga composta da quei contenuti che risultano essere dei trend in particolari momenti.

Figura 3.5

In questa categoria è possibile trovare l’ultima stagione di una serie tv di grande successo o altri prodotti che in passato hanno riscosso notevole rilievo. I trend possono sennò fare riferimento a precise festività: ad esempio in periodo natalizio è logico aspettarsi la presenza qui di contenuti attinenti.

L’algoritmo Continue Watching definisce la riga dei contenuti che l’utente sta guardando ordinati sulla stima di cosa intende continuare a vedere, ciò viene fatto in base a vari parametri: momento di abbandono o di pausa, tempo intercorso dall’ultima visualizzazione, dispositivo utilizzato etc.

Figura 3.6

Tale meccanismo indicando se la visione dei contenuti è stata seriale - il cosiddetto binge watching – o graduale nel tempo, permette di arrivare a una definizione più accurata dell’utente e delle sue abitudini di consumo.

Le righe “Perché hai guardato” vengono costruite mediante l’algoritmo Video Similarity e si compongono in un elenco di prodotti simili tra loro per precisi parametri (genere, attori, contesto etc.).

Figura 3.7

In base all’intensità con cui l’utente si avvale del servizio, verranno create varie righe di questa tipologia; la scelta di quale fra queste sarà presenta in home page dipende dagli elementi di personalizzazione ricavati dal cliente stesso: nella figura 3.7 il riferimento è un film già visto.

All’interno di una stessa riga si possono trovare poi contenuti destinati ad un pubblico diverso, ciò permette di coprire l’eventualità di accesso da uno stesso account da parte di più persone oltre l’utente titolare. È il caso questo della riga Top 10 dove sono inseriti prodotti specifici non solo per l’utente, ma anche per i suoi familiari.

Figura 3.8

Gli algoritmi decidono inoltre anche come strutturare l’area “evidence” di un contenuto selezionato; sono essi infatti a stabilire quali

informazioni mostrare (riconoscimenti vinti, genere etc.), l’immagine di copertina e addirittura il trailer attraverso cui presentarlo. Ciò costituisce un altro importante elemento di personalizzazione: la spiegazione di cosa viene proposto e perché permette all’utente di acquisire consapevolezza sull’utilizzo da parte di Netflix dei propri dati e questo lo incentiva a lasciare nuovi feedback circa la sua esperienza. La valutazione dei contenuti tramite stelle è stata sostituita (2017) con un modello in cui ogni prodotto è recensito tramite un pollice alzato o verso e attraverso l’assegnazione di una percentuale di compatibilità con l’utente, calcolata sulla base delle abitudini di consumo e non sul grado di popolarità del titolo.

Figura 3.9

I titoli che hanno ricevuto un pollice verso non verranno più proposti e non configureranno più nella home page, l’utente potrà usufruirne soltanto tramite una ricerca diretta.

Una decisione del genere deriva dal fatto che il modello a stelle si è dimostrato essere poco preciso nel rappresentare i gusti e le preferenze degli utenti, esso infatti arriva ad un giudizio medio di un determinato film o serie tv (come avviene nei siti di e-commerce); quello a pollice

invece esprime in modo accurato il parere che un utente ha su un determinato contenuto.

Non è un caso quindi che a seguito dell’adozione della nuova metrica di giudizio Netflix abbia registrato un incremento pari al 200% nel numero di valutazioni rilasciate.

L’impostazione fin qui descritta, applicata ad un catalogo vasto e profondo come quello Netflix si trova di fronte ad un problema di non poco conto, ossia quello di scegliere fra le migliaia di righe generate per ogni utente le quali andranno a comporre la sua home page. La soluzione risiede ancora una volta in un algoritmo - Page Generation – il quale, sfruttando proprio le possibilità di personalizzazione offerte dai dati personali di ciascun utente, è in grado di selezionare le righe di maggior interesse e scartare le altre. Di conseguenza, l’home page Netflix assume carattere di flessibilità dal momento che essendo costruita sulla base delle singole esigenze dei clienti varia tra l’uno e l’altro.

Il primo fattore su cui si sviluppa il sistema di raccomandazione di Netflix è il grado di popolarità: ad un utente viene proposto quello che la maggior parte degli altri clienti sta guardando in un determinato momento. I consigli basati solo sul successo dei prodotti hanno come principale limite quello di risultare alla lunga scontati, sempre più incapaci di sorprendere l’utente e stimolare il suo interesse verso il servizio; ecco perché vi è un altro fattore di cui tenere conto, ovvero la valutazione prevista che l’utente potrebbe esprimere circa una serie tv o un film: l’analisi dei dati raccolti permette a Netflix di stimare con estrema precisione il parere che un utente può avere verso un contenuto in catalogo, così da essere in grado di proporgli prodotti in linea con i suoi gusti personali. È in questo ambito che entrano in gioco gli algoritmi di Collaborative filtering, i quali, ricorrendo al criterio della correlazione, evidenziano i rapporti di similarità che accomunano due utenti permettendo così di stimare per ciascuno le valutazioni sui contenuti non ancora giudicati. I risultati vengono rappresentati in un

grafico dove i voti, qualora risultassero simili sarebbero uniti da una linea crescente, decrescente nel caso opposto.

Figura 3.10

I due fattori sopra descritti possono essere inseriti in un modello di regressione lineare, così da definire la seguente equazione di classificazione: (u,v)=w1p(v) + w2r(u,v) +  con: - u = utente; - v = serie tv/film; - p = grado di popolarità; - r = valutazione prevista; - w1 e w2 = pesi di ponderazione -  = errore costante;

La funzione determina uno spazio bidimensionale in cui è possibile classificare i vari contenuti del catalogo Netflix in modo decrescente:

Figura 3.11

Il calcolo di w1 e w2 può avvenire attraverso il campionamento di tutti

i pesi possibili e l’individuazione della soluzione più efficiente mediante test A/B; siccome tale soluzione può risultare molto costosa, è più logico il ricorso alle tecniche di machine learning: dallo studio di esempi positivi e negativi ricavati dai dati storici un algoritmo arriva a definire la soluzione ottimale.

A questa prima, basilare impostazione Netflix ha aggiunto ulteriori funzionalità - regressione logistica, reti neurali, alberi decisionali etc. - incrementando progressivamente e inesorabilmente la metodicità delle proprie raccomandazioni, come dimostrato dalla figura 3.12.

Figura 3.12

In definitiva, agli utenti Netflix vengono proposti consigli “completi” in quanto comprendenti sia le serie e/o i film del momento, sia quelle specifiche alle loro preferenze e in grado di produrre l’effetto sorpresa fondamentale per la loro fidelizzazione. L’efficacia di una simile impostazione è dimostrata dal fatto che circa l’80% dei contenuti visti su Netflix deriva dal sistema di raccomandazione appena descritto, per un valore aggiunto complessivo stimato da Neil Hunt - leader della squadra che progetta e gestisce tale meccanismo - in mezzo miliardo di dollari all’anno.

Il restante 20% delle visualizzazioni proviene invece dalle ricerche dirette degli utenti: la massimizzazione della Netflix Experience passa quindi anche dall’efficienza di tali ricerche, anche in questo caso il ricorso a specifici algoritmi permette, sulla base dei dati raccolti, di allineare i contenuti trovati con i gusti dell’utente (“Economia dei dati: tendenze di mercato e prospettive di policy", consultato in data 18/07/2019).