“یلین”(Yellin) در مقاله “طرز استفاده نتفلیکس از کلان داده: می گوید(۲۰۱۵)،  بر هر پخش فیلم و همچنین رها کردن آن نظارت  انجام می شود. چنین انتخابی وقتی معنا دارد که گزینۀ “ادامۀ تماشا” انتخاب شود. این دسته‌ای ایجاد می‌کند که عناوینی را که کاربر احتمالا بیشتر تماشا می‌کند حفظ می‌کند، چه یک سری به هم پیوسته باشد یا محتوای خاصی باشد که کاربر در مراحل جداگانه تماشا کرده یا مجبور به متوقف کردن آن بوده است.

یک طبقه‌بندی باید سفارشی باشد تا بتواند تمام داده‌ها را  (آخرین زمان مشاهده، بازبینی متوقفشده، فرکانس مشاهده، دستگاهی که از طریق آن مشاهده شد، وسیله ارتباطی استفاده می‌شود، و غیره چهارم) تحلیل کند تا تصمیم بگیرد چه محتوایی باید در اوائل لیست قرار بگیرد.

یکی دیگر از الگوریتم‌هایی که توسط گومز اوریب و هانت مطرح شده این است که شباهت ویدئوها در لیست پخش تگ زنی شود. در این دسته می‌توانیم  فیلمی را که کاربر قبلاً تماشا نموده است پیدا کنیم.

در مواجه با یک فرهنگ سمعی و بصری که به طور سنتی برای ارائه دسته‌های غیر قابل انعطاف در نظر گرفته شده، در نتفلیکس ما تجربه‌ای بسیار سفارشی را بر اساس احساس “محصول درجه یک” تولید می‌کنیم. در عمل، انتخاب محتوای الگوریتمیک، نمایانگر ۸۰ درصد از ویدئوی پلی شده توسط کاربران است (Gómez-Uribe؛ Hunt، ۲۰۱۵).

۴٫۵٫ اطلاعات تجاری

اطلاعات تولید شده توسط داده‌های به دست آمده از تجربه کاربر روی مرورگر، در ارتباط با لایۀ بعدی  کار نتفلیکس است و در واقع میتوان گفت چنین اطلاعاتی  مامور تصمیم‌گیری بهتر هستند. به این معنا، داشتن یک محدوده محتوا در مطابقت با سلایق ثابت شده کاربر، تصمیم‌گیری پیشین را مفروض قرار می‌دهد.  این منطق کسب و کار متمایز از فرایندهای قبلی مانند کاربرد الگوریتم‌ها  است. برای کاربران یک پلت فرم آنلاین، بسیار مهم است که الگوهای مشاهده و مصرف در پلتفرم وجود داشته باشد. برای این منظور، “یادگیری ماشین “، یک شاخه از هوش مصنوعی، به کار می‌آید.  به همین دلیل است که مدل‌های داده‌ها ارزیابی می‌شوند، تأیید اعتبار می‌شوند و منطق کار را اعمال می‌کنند. این اطلاعاتِ تجاری است.

سریال “خانه پوشالی” یک مثال پرکاربرد در مورد بحث کلان داده طراحی محتوا است. همانطور که نیِرا (۲۰۱۵)  می‌گوید، “در سال ۲۰۱۲ هیئت مدیره نتفلیکس تصمیم به ایجاد واحد کاری جدیدی در شرکت گرفت که هدف آن تولید محصولات خانگی برای پلت فرم بود (فیلمهای تولید نتفلیکس(

با وجود چندین طرح در جدول کاری، آنها نتیجه گرفتند که سه عنصر کلیدی (کارگردان دیوید فینچر، محبوبیت سریال اصلی بریتانیایی و بازیگر کوین اسپیسی) چرخۀ تضمین شدۀ موفقیت را خلق می کند، که همین کار را نیز کرد (Carr، ۲۰۱۳).

این نتیجهٔ چند ماه داده کاوی بود. “خانه پوشالی” تلفیقی از داده‌هایی که قبلاً به دلیل شایستگی‌های شخصی بارز شده بودند در یک محصول واحد پایۀ محکمی برای موفیت بود. نتیجه تصمیم کاری مبتنی بر داده این شد: سرمایه گذاری به ۳٫۸ میلیون دلار در هر قسمت رسید.

 

طراحی این نوع “سفارشی” محصول، نمونه‌ای واضح از اطلاعات تجاری است. کلان داده خصوصیات یک مخاطب را با مجموعه‌ای از ابعاد بالقوه تعریف می‌کند که آمادگی چنین مخاطبی برای مشاهده محتوایی خاص، مسیر رسیدن به هدف برای نتفلیکس است؛ حداکثر وفاداری مشتری.

  1. چالش‌هایتجزیه و تحلیل داده‌ها برای گسترش بین المللی

نتفلیکس

برای یک شرکت جهانی که از آوریل ۲۰۱۶  در بیش از ۱۹۰ کشور فعال بوده است، سفارشیسازی تنها وسیله برای ارائه محتوای صوتی و تصویری به تمامی مناطقی است که در آن فعالیتمی‌کند، با درنظر گرفتن تنوع فرهنگی و تغذیهٔ سلایق سمعی و بصری محلی.

باسیلیسکو و ریمون Raimon and Basilisco توضیح می‌دهند، تا سال ۲۰۰۱، توصیه‌ها اصولاًبر اساس محل اقامت بود. هر بار که نتفلیکس به یک کشور جدید رفت، سرویس و برچسب زنیمحتوای به صورت دستی تنظیم مجدد شد. این رویکرد نباید اجازه می‌داد استاندارد سازی به تجربه مشاهده صدمه بزند، نتیجهٔ چنین اسیبی، دور شدن از فرهنگ‌های سمعی و بصری محلی بود. توسعه جهانی که در سال ۲۰۱۶ تقوین شد تغییرات عملیاتی را تحمیل کرده است.

لینک های مرتبط:

مدیریت داده‌‍‌ها در کسب‌و‌کار صوتی-تصویری: نِتفلیکس به عنوان مطالعه موردی (قسمت پنجم)

مدیریت داده‌‍‌ها در کسب‌و‌کار صوتی-تصویری: نِتفلیکس به عنوان مطالعه موردی (قسمت چهارم)

مدیریت داده‌‍‌ها در کسب‌و‌کار صوتی-تصویری: نِتفلیکس به عنوان مطالعه موردی (قسمت سوم)

مدیریت داده‌‍‌ها در کسب‌و‌کار صوتی-تصویری: نِتفلیکس به عنوان مطالعه موردی (قسمت دوم)

مدیریت داده‌‍‌ها در کسب‌و‌کار صوتی-تصویری: نِتفلیکس به عنوان مطالعه موردی

مدیریت داده‌‍‌ها در کسب‌و‌کار صوتی-تصویری: نِتفلیکس به عنوان مطالعه موردی

 

دیدگاه شما چیست؟