Ok-okozatok vizsgálatában keres megoldást a Netflix
Nem meglepő, hogy a Netflix az ok-okozati következtetések vizsgálatában látja a jövőt a mostani problémái alapján. Részletes technológiai bejegyzésben mutatja be, hogy miért tartja fontosnak a terület kutatását a szolgáltatás továbbfejlesztése érdekében.
Újabb érdekes részleteket osztott meg a Netflix a fejlesztései alapjául szolgáló vizsgálati módszerekről. Az adatalapú kísérletek után ezúttal az ok-okozati vagy más fordításban oksági következtetések (casual inference) feltárása került a középpontba. A vállalat olyannyira fontosnak tartja ezt a területet, hogy egyhetes belső konferencia keretében vitatta meg a lehetőségeket a cég kutatóival, melyek közül néhány használati esetet összefoglalt egy technológiai blogbejegyzésben.
Az oksági következtetés példáinak egyike a lokalizációval kapcsolatos, azaz hogy vajon mennyivel nagyobb nézettséget generál egy filmnek vagy sorozatnak a szinkron megléte a 190 országban, 30 nyelven működő Netflixen. A streaming szolgáltató szerint ez a kérdés kevésbé vizsgálható A/B tesztek formájában, mert nem szeretné a lokalizált tartalmakat megvonni azoktól, akiknek szüksége lenne rá (nem ismerik a nyelvet, nehezen megy valamiért a felirat olvasása). Ebből a szempontból jó mintának bizonyult a járvány kezdetét jelentő időszak historikus vizsgálata, mivel ekkor több stúdió késlekedett a szinkronok leszállításával.
A kutatók több különböző nyelven kettős gépi tanulással vizsgálták, milyen hatással volt a szinkronok hiánya, majd a megjelenése a film megtekintésére. Emellett pedig tesztelték azokat a műsorokat is, amelyeket a szinkronizálás késlekedése nem érintett. A következtetéseit a vállalat már kevésbé részletesen osztotta meg, de annyit elárult, hogy a vizsgálatok eredményeként növelte a lokalizáció mértékét a szolgáltatásban.
Machine recruiting: nem biztos, hogy szeretni fogod Az AI visszafordíthatatlanul beépült a toborzás folyamatába.
Egy másik fontos vizsgálati terület természetesen az új Netflix előfizetők bevonzása és megtartása. A kutatók szerint gyakran túlbecsülik ezen két szempont értékét az ügyfél élettartam-érték (LTV) vizsgálatok során, mivel a felhasználók nem csak a cég marketing üzeneteinek hatására, hanem maguktól is csatlakozhatnak.
A Netflixet nem használók adatainak pótlására a vállalat a Markov-lánc alapú megközelítést választotta, mely megbecsülheti az előfizetők és nem előfizetők értékét a szolgáltatás számára. Az LTV ezzel kapcsolatos kiterjesztése használható például az előfizetőszámok előrejelzésére a piaci korlátok és "fiókszintű-dinamika" figyelembevételével, de megjósolhatja az áremelések hatását a szolgáltatás lemondásra, vagy éppen az akciók hatását a megtartásra vagy új előfizető-bevonzásra vonatkozóan.
Ezenkívül a bejegyzésben szó esik még a visszatartott funkciók A/B tesztelésének hatásairól az újdonságok bevezetésével, illetve a nem használt funkciók megszüntetésével kapcsolatban. Továbbá arról, hogyan növelhető az ajánlórendszerek sikere oksági következtetésekkel az egyszerű gépi tanulásos módszerhez képest. Utóbbi ugyanis pusztán asszociatív jellegű, a funkciók és a használati eredmények közötti összefüggésekből következtet a lehetséges kimenetre, de mindez az ok-okozatok vizsgálatával tovább finomítható. A vállalat ezt a finomított keretrendszert használja többek közt a főoldalon megjelenő, személyre szabott sorozat- és filmajánlókban.
A Netflix ezúttal arról nem beszélt, hogy az előfizetőszámok lassulása, a reklámok megjelenése vagy a részvényesek kedvének negatív alakulása mennyire volt előre jelezhető a vezetőség számára. A jövőre nézve viszont érthető, miért tartja annyira fontosnak a vállalat az oksági következtetések vizsgálatát, főleg az előfizetőszámok növelésével és a megtartásukkal kapcsolatban.