Шоу, кино и пандемия: как большие данные изменили индустрию развлечений
Опубликовано: 2020-06-04Прямо сейчас, когда вы читаете эту статью, миллиарды людей сидят дома без доступа к кинозалам или ресторанам, а только Интернет для их развлечения. Этот внезапный сдвиг оказал огромное влияние на все виды бизнеса, включая индустрию развлечений. Когда кинопроизводство резко остановилось, но потребительский спрос оставался постоянным, медиа-сервисы Over-the-top (OTT) стали свидетелями внезапного всплеска спроса, которого не предвидел ни один из игроков.
Хотя последние несколько недель, очевидно, принесли пользу всем ОТТ, но они также породили вопросы, например, будут ли ОТТ продолжать расти так же, как ослабление блокировок по всему миру?
В настоящее время у таких гигантов, как Netflix, наблюдается рост числа подписчиков, а их акции выросли на 35% в первом квартале 2020 года . Мы также видели растущую популярность домашнего контента (на ум приходит « Некоторые хорошие новости » Джона Красински ) в эти неопределенные времена. Quibi , небольшая контент-платформа, завершила свой последний раунд финансирования в марте 2020 года. Она показала 10-минутные эпизоды со многими крупными звездами и титулами.
Однако из-за того, что множество OTT-игроков воспользовались этой неожиданной золотой возможностью, клиенты избалованы выбором больше, чем когда-либо. Качество опыта, которое OTT-игроки предоставляют на этом этапе, также может определить их будущее после полного прекращения блокировки. В таком сценарии мы знаем, что они могут использовать для поддержания этого успеха: большие данные.
Оглавление
Большие данные: незамеченный герой
В отличие от своих аналогов, кино и телевидения, зрители OTT могут смотреть что угодно в любое время. В случае с телевидением вы зависите от расписания канала, но с платформой OTT это контент по запросу. Таким образом, отсутствие фиксированного расписания возлагает право выбора программы на потребителя.
В море выбора, как ОТТ-плеер предлагает варианты, которые зритель с вероятностной точки зрения имеет наибольшую склонность к просмотру, даже если это означает, что он предлагает зрителю посмотреть ДРУЗЬЯ в n-й раз вместо любого из новых выпусков, поскольку они, скорее всего, посмотрят это! Тем не менее, поскольку на телевидении нет нового контента, за исключением ежедневных новостей, у OTT есть возможность привлечь новых подписчиков, чтобы они могли насладиться их тщательно отобранным контентом.
Вот тут-то и появляются большие данные (каламбур).
В значительной степени большие данные решают проблему «поиска того, что может понравиться пользователю» для ОТТ с помощью своих рекомендательных систем. Чтобы понять это, нам следует поближе познакомиться с самой известной OTT-платформой — Netflix. Их неустанное стремление улучшить качество обслуживания клиентов не является неизвестным фактом.
Netflix быстро стал крупнейшей OTT-платформой в мире, опережая потребности клиентов и предлагая беспрепятственный опыт в каждой точке взаимодействия. Это было почти так, как если бы они могли читать мысли своих клиентов и знали, что их клиенты хотят смотреть каждый раз, когда они приходят на Netflix. Менее известный факт, что Netflix во многом обязан своим успехом большим данным.
Они начали с персонализированных рекомендаций фильмов, но после перехода на стриминг стали использовать системы рекомендаций на основе данных.
Демистификация роли больших данных
Возможно, вы уже знаете, насколько продвинута рекомендательная система Netflix. Он использует несколько алгоритмов для решения сложных задач. Одним из таких алгоритмов является алгоритм PVR, где PVR означает персонализированное ранжирование видео. Он фильтрует заголовки в соответствии с определенными критериями (Жанры, Актеры и т. д.) с учетом продуктов пользовательской фильтрации. Netflix также включает RNN для своих прогнозов, чувствительных ко времени.
Рекомендатор «продолжить просмотр» не только рассматривает контент, который пользователь еще не закончил смотреть (неполный фильм, непросмотренные эпизоды сериала), алгоритм также учитывает точку отказа, устройство, используемое для просмотра отдельных заголовков, и другой контекст. на основе сигналов для оптимизации своих рекомендаций. Рекуррентные нейронные сети отлично подходят для данных контекстной последовательности, поэтому неудивительно, что Netflix использует их в своем рекомендателе.
Во время COVID-19 большой размер библиотеки Netflix и различные алгоритмы оказались его ключевым конкурентным преимуществом. Netflix использовал один из своих алгоритмов, Trending Now Ranker, чтобы рекомендовать шоу и фильмы своей аудитории. Этот алгоритм фокусируется на краткосрочных тенденциях, которые вызывают рост популярности отдельных игр.
Например, OTT-гигант, набравший более 15,8 млн новых подписчиков в первом квартале 2020 года, в начале карантина в феврале 2020 года запустил новое шоу под названием «Пандемия», представляющее собой документальный фильм, в котором ставится под сомнение готовность человека противостоять быстро меняющимся условиям. вирусоподобный коронавирус. Нашей первой мыслью было бы: «Как это по времени?»
Однако дело не во времени. Это была тематическая серия, специально запущенная ОТТ-игроком, чтобы извлечь выгоду из растущего любопытства людей к вирусу.
Netflix также использует гибридные системы фильтрации, чтобы обеспечить расширенную персонализацию для своих пользователей. Совместная фильтрация помогает определить самые популярные заголовки, а фильтрация на основе пользователей позволяет распознавать заголовки, которые больше всего нравятся конкретному пользователю. Они также меняют изображение своих заголовков в соответствии с предпочтениями пользователя. Они проводят A/B-тесты, чтобы определить, какая миниатюра убедит пользователя щелкнуть по ней. Примеры применения больших данных в разных отраслях
Другие платформы не отстают.
В то время как Netflix наслаждается сладким вкусом успеха, его конкуренты также работают больше, чем обычно. OTT-платформы, такие как Disney+, Amazon Prime Video, Hotstar и множество других платформ, которые конкурируют за аналогичную клиентскую базу, постоянно используют большие данные для борьбы с конкуренцией.
Amazon, который считается лидером в области клиентского опыта, также является лидером в рекомендательных системах с момента своего появления. Они используют алгоритмы диверсификации тем, чтобы улучшить свои рекомендации. Благодаря совместной фильтрации и поэлементным матрицам они могут поддерживать масштабируемость своей реализации для разных пользователей. Они также используют методы фильтрации на основе контента для прогнозирования поведения пользователей, когда влияние других пользователей не будет слишком значительным.
В первые дни Amazon Prime Video они сосредоточились исключительно на использовании совместной фильтрации, которая оказалась вредной, поскольку люди не получали персонализированных рекомендаций. Когда Amazon обнаружил эту проблему, они начали использовать более ориентированные на пользователя методы, что привело к двукратному увеличению вовлеченности пользователей. Disney+ и Apple TV+ появились на рынке относительно недавно, и будет интересно посмотреть, как их рекомендатели улучшат впечатления от просмотра.
OTT — не единственные платформы, которые используют большие данные для персонализации рекомендаций. Платформы потоковой передачи музыки, такие как Spotify, анализируют музыку, которую слушает пользователь, чтобы улучшить рекомендации. Точно так же Pandora принимает отзывы пользователей в явном виде (через пользовательские рейтинги) и генерирует новые музыкальные рекомендации на основе этих данных.
Читайте: Роль больших данных в помощи COVID-19 — с самого начала
Куда мы отправимся отсюда? Вопрос у всех на уме
Нынешняя пандемия вынудила людей оставаться дома, что привело к всплеску посещаемости ОТТ-платформ. Конечно, популярность ОТТ растет, но сохранится ли эта тенденция? Изменит ли это отношение людей к развлечениям? Ознаменует ли пандемия конец эры телевидения? Netflix официально объявил, что готовится к падению числа клиентов, поскольку ограничения сняты, и люди снова выходят во внешний мир.
Игрок не один. По мере того, как COVID-19 проходит и мир переходит к новым нормам, шаги, предпринятые ОТТ во время блокировки, могут определить их будущее. Игроки OTT, которые действительно используют большие данные и соответствующим образом переосмысливают свою контент-стратегию и качество обслуживания клиентов, могут продолжать пользоваться успехом, свидетелями которого они являются в настоящее время.
Если вам интересно узнать больше о больших данных, ознакомьтесь с нашей программой PG Diploma в области разработки программного обеспечения со специализацией в области больших данных, которая предназначена для работающих профессионалов и включает более 7 тематических исследований и проектов, охватывает 14 языков и инструментов программирования, практические занятия. семинары, более 400 часов интенсивного обучения и помощь в трудоустройстве в ведущих фирмах.
Ознакомьтесь с нашими курсами по программной инженерии на upGrad.
