Tik om te zoeken

Zo weet Netflix welke films en series jij leuk vindt

Technologie

Zo weet Netflix welke films en series jij leuk vindt

Een korte geschiedenis van hoe Netflix personalisering ontwikkelde

Gibson Biddle werkte jarenlang voor Netflix. Hij maakte als vice-president Products de start mee van wat nu ’s werelds grootste streaming service is. Biddle beschrijft de  geschiedenis van de strategie, de technische ontwikkeling en de experimenten die Netflix deed om de abonnees een gepersonaliseerde kijkervaring te bieden – van de dvd-per-post startup in 1998 tot een bedrijf dat nu volledig vertrouwt op geavanceerde algoritmen.

Door Gibson Biddle Gibson Biddle

“In twintig jaar tijd is Netflix geëvolueerd van abonnees die 2% van het filmaanbod kozen op basis van het personaliseringssysteem, tot 80% nu. Het was een rommelige reis, met een strategie die in hoofdzaak werd gebaseerd op experimenten met een zelfontwikkeld A/B-testsysteem.

In de begindagen doorzocht een abonnee honderden filmtitels voordat hij iets van zijn gading vond en de dvd liet opsturen. Vandaag scrollen de meeste kijkers door veertig keuzes voor ze op de ‘play’-knop drukken. Over veel minder dan twintig jaar hoopt Netflix die ene film of serie af te spelen die ‘precies goed’ is voor jou, zonder dat je zelfs hoeft te browsen of te kiezen.

1998: De dvd-by-mail startup

Netflix begon als een dvd-by-mail startup, na de uitvinding van de dvd-speler in 1996. In 1998 lanceerde Netflix haar website met minder dan 1.000 dvd’s. Hier is hoe de site er de eerste jaren uitzag:

Netflix 1 1998

Na een jaar had Netflix 2.600 dvd’s om uit te kiezen, maar het doel was de bibliotheek uit te breiden tot 100.000 titels. Om het voor leden gemakkelijker te maken films te vinden, ontwikkelde Netflix een gedepersonaliseerd systeem op de website.

In 2000, toen Netflix overschakelde van een à la carte-bedrijf naar een all-you-can-eat-abonnementsdienst, voegde het een wachtrij toe, een lijst van films die elk huishouden samenstelde door op de knop ‘Toevoegen’ te drukken om een titel toe te voegen. Telkens wanneer een abonnee een dvd terugzond, stuurde Netflix de titel bovenaan de wachtrij direct naar zijn of haar postadres.

2000: Cinematch

Met het algoritme Cinematch introduceerde Netflix een systeem voor gepersonaliseerde filmaanbevelingen, waarbij de beoordelingen van de abonnees werden gebruikt om te voorspellen hoeveel een film bij individuele kijkers in de smaak zou vallen. Het algoritme was niet meer dan een soort filter op basis van ‘de grootste gemene deler’.

De eenvoudigste manier om deze filtering te begrijpen is: stel je voor dat ik Batman Begins en Breaking Bad goed vind, en jij vindt ze beiden ook goed. Omdat ik Casino goed vind, suggereert het algoritme dat jij Casino ook zal waarderen. Pas deze aanpak toe op miljoenen abonnees en titels, en je hebt een basale vorm van personalisering.

2001: Het beoordelingssysteem met vijf sterren

Netflix maakte kort daarna een beoordelingssysteem met vijf sterren en verzamelde zo miljarden beoordelingen van zijn abonnees. De sterren waren bedoeld als een indicatie van de populariteit van een film. Het experimenteerde ook met meerdere ‘sterrenbalken’, waarbij de sterren soms werden gestapeld om de verwachte rating, de gemiddelde rating en de beoordelingen door vrienden weer te geven.
Het was een puinhoop.

Netflix 2 2002

2002: Meerdere algoritmen

Naast Cinematch werkten nog drie andere algoritmen samen om films de huiskamer in te helpen:

Dynamische shop
Dit algoritme gaf aan of de dvd beschikbaar was. Iets later in het dvd-tijdperk bepaalde het algoritme of een dvd beschikbaar was in de lokale omgeving van een abonnee. Tegen 2008 bracht Netflix zelfs alleen lokaal beschikbare titels onder de aandacht, om de kans op levering de volgende dag te vergroten.

Metasims
Dit algoritme verwerkte alle beschikbare filmgegevens voor elke titel: synopsis, regisseur, acteurs, jaar, prijzen, taal, etc.

Zoeken
In de begindagen werd er weinig geïnvesteerd in de zoekfunctie, omdat het Netflix-management ervan uitging dat abonnees vooral naar nieuwe en dure release-dvd’s zochten. Dat maakte de exploitatie van het bedrijf natuurlijk een stuk interessanter. Maar de ontwikkelaars ontdekten dat kijkers juist veel oudere, minder dure, long-tail titels zochten, dus uiteindelijk werden de investeringen in de zoekfunctie toch opgevoerd.

2004: Profielen

Netflix realiseerde zich dat meerdere gezinsleden een gedeelde account gebruikten en lanceerde daarom ‘profielen’. Hiermee kon elk lid van een huishouden zijn of haar eigen filmlijst aanmaken. Gek genoeg gebruikte slechts 2% van de abonnees deze functie, ondanks de stevige promotie. In de praktijk bleek het erg veel werk om een geordende lijst van dvd’s bij te houden, en in veel gevallen was slechts één persoon in elk huishouden bereid om dit te doen.
Netflix kondigde aan de profielen te schrappen, maar capituleerde toch omdat een kleine groep gebruikers veel waarde hechtte aan deze functie.

2004: Netflix lanceert ‘Friends’

In aansluiting op de profielen bedacht Netflix de functie ‘Friends’. De veronderstelling was: als je een netwerk van vrienden binnen Netflix opbouwt, zullen ze elkaar geweldige filmtips voorstellen en verlaten ze het bedrijf niet omdat ze hun vrienden niet willen afvallen. Bij de lancering was 2% van de Netflix-abonnees verbonden met tenminste één vriend, maar dit percentage kwam nooit boven de 5% uit.

Netflix 3 2004

 

Pas in 2010 schrapte Netflix de Friends-functie bij een grote opschoon-operatie. In tegenstelling tot de profielen was er geen gebruikersopstand.

Netflix noteerde in de periode 2004-2005 ook twee inzichten over de sociale context rondom films en hun kijkers:

  • Je vrienden hebben een slechte smaak.
  • Je wilt niet dat je vrienden weten naar welke films je allemaal kijkt.

Dit was verrassend omdat rond dezelfde tijd Facebook aan een opmars begon, geheel gebaseerd op sociale contacten in veel meer productcategorieën dan alleen films en series…

2006: De personaliseringsstrategie

De strategie rond personalisering was om expliciete en impliciete gegevens te verzamelen, en vervolgens verschillende algoritmes en presentatie-tactieken te gebruiken om abonnees kennis te laten maken met films die ze mogelijk leuk zouden vinden:

Netflix 4 2006
Het team richtte zich op vier hoofdstrategieën:

  • Het verzamelen van expliciete data over smaak, waaronder waarderingen van films en series, genre-waarderingen en demografische gegevens;
  • Onderzoek naar impliciete smaakdata, bijvoorbeeld dvd’s die kijkers zelf aan hun filmlijst hebben toegevoegd of, zoals in later jaren, films die door abonnees zijn gestreamd;
  • Het creëren van een laag met algoritmes en presentatievormen om kijkers kennis te laten maken met films die ze waarschijnlijk leuk vinden. De verwachting was dat Netflix ook een eenvoudige gebruikersinterface zou ontwikkelen met visuele ondersteuning voor gepersonaliseerde keuzes;
  • Het verbeteren van de gemiddelde filmwaardering voor elke abonnee, door hen te wijzen op kwalitatief betere films en tv-series. De veronderstelling was Netflix de kijkers hiermee langer aan het bedrijf zou binden.

De belangrijkste strategie was dat laatste, het klantbehoud. Het zou echter jaren duren om deze methode te verbeteren. Dus had Netflix voor de korte termijn een andere meetvorm in gedachten: het percentage leden dat minstens 50 films met sterren beoordeelde tijdens de eerste twee maanden dat ze abonnee waren.

De theorie was dat abonnees veel films zouden beoordelen, juist om betere aanbevelingen te krijgen. Meer beoordelingen waren dus een signaal dat kijkers de personalisering op prijs stelden.

Het kostte Netflix uiteindelijk meer dan tien jaar om aan te tonen dat een gepersonaliseerde ervaring het klantbehoud echt verbeterde. Daarbij was het vooral de consistente groei in het gebruik van ster-beoordelingen die het bedrijf overtuigde om te blijven inzetten op personalisering.

2006: De ‘Ratings Wizard’

De kweekvijver voor kennis over personalisering was het tabblad ‘Aanbevelingen’ op de website. Maar uit tests bleek dat leden de voorkeur gaven aan minder algemene termen. Het nieuwe tabblad heette daarom ‘Movies You’ll [hartje]’ en dat leverde veel kliks op. Het ontwerpteam vond het tabblad spuuglelijk, maar het werkte wel. Wanneer kijkers in het ‘Movies You’ll [hartje]’-gedeelte terecht kwamen, belandden ze bij de ‘Ratings Wizard’:

Netlix 5 2006

Deze beoordelingsassistent bleek een belangrijke bron van informatie, want terwijl de abonnees wachtten op de komst van hun dvd’s, gingen ze vaak massaal andere films beoordelen. De beoordelingsassistent was van cruciaal belang om het percentage kijkers dat minstens 50 films beoordeelt in hun eerste twee maanden te verhogen.

2006: Demografische gegevens

Netflix verzamelde al langere tijd leeftijds- en geslachtsgegevens van zijn abonnees, maar toen het team deze demografische gegevens toevoegde om voorspellingen te doen over de filmsmaak van kijkers, hielp dat niets. De meetmethode voor de personaliseringsalgoritmen werd RMSE (Root Mean Square Error) genoemd – een berekening tussen de voorspelde rating door het algoritme en de werkelijke beoordeling door een abonnee. Als Netflix voorspelde dat je Friends en Seinfeld leuk zou vinden met respectievelijk vier en vijf sterren, en je beoordeelde deze shows ook echt met vier en vijf sterren, dan was de voorspelling perfect. RMSE is een ‘naar beneden en naar rechts’ methode die in de loop van de tijd is verbeterd, voornamelijk door verbeteringen in het gebruik van filters. Je ziet de verbeteringen in de ruwe grafiek hieronder:

Netflix 6 2006

Helaas hebben leeftijd- en geslachtsgegevens de voorspellingen niet verbeterd. Filmvoorkeuren blijken moeilijk te voorspellen omdat ze radicaal verschillen van individu tot individu. Mijn leeftijd en geslacht kennen helpt niet om mijn filmsmaak te voorspellen. Het is veel zinvoller om slechts een paar films of tv-programma’s te kennen die ik leuk vind.

Om dit inzicht vandaag de dag in actie te zien, maak je een nieuw profiel aan op je Netflix-account. Netflix vraagt om een paar titels die je leuk vindt; dat is alles wat nodig is om de personalisering in gang te zetten.

2006: Filtering met de QUACL

De QUACL is de Queue Add Confirmation Layer. Zodra een abonnee een titel aan zijn wachtrij toevoegt op de site, verschijnt een bevestigingslaag met suggesties voor vergelijkbare titels. Hieronder heeft een kijker de film Eiken uit 2003 toegevoegd aan zijn filmlijst, en het filteralgoritme suggereert zes vergelijkbare titels:

Netflix 7 2006

Na verloop van tijd werd Netflix steeds beter in het suggereren van vergelijkbare titels om aan de wachtrij van abonnees toe te voegen. Hierdoor steeg het aandeel van de QUACL als marketingbron in een paar jaar van 10% naar 20%. De QUACL bleek een geweldige omgeving voor het testen van algoritmes. In feite voerde Netflix hiermee een aantal van haar eerste machine-learning tests uit in de QUACL.

2006: De $1 miljoen Netflix Prijs

Zoals elke startup had Netflix beperkte middelen. De waarde van Cinematch was bewezen, maar het bedrijf had slechts een paar ingenieurs beschikbaar om zich op het algoritme te concentreren. De oplossing: het outsourcen van algoritme-ontwikkeling via de Netflix Prijs.

Netflix 8 2006

Netflix bood een prijs van een miljoen dollar aan elk developmentteam dat de RMSE-berekening voor hun Cinematch-algoritme met 10% kon verbeteren. Het personaliseringsteam verstrekte geanonimiseerde gegevens van Netflix-abonnees als trainingsdata voor de teams, samen met een tweede dataset die de werkelijke beoordelingen van de kijkers bevatte, zodat de teams de voorspellende kracht van hun algoritmen konden testen. Het duurde twee jaar voordat de teams het geld wonnen – daarover zo dadelijk meer.

2007: Netflix lanceert streaming video

Netflix 9 2007

Netflix lanceerde streaming video in januari 2007. Het was een gratis service voor de abonnees op de dvd-per-postdienst. Voor het eerst beschikte het Netflix-team daarmee over realtimegegevens over welke films leden bekeken, waar ze voordien alleen over dvd-verhuuractiviteit beschikten. Na verloop van tijd werden deze impliciete realtime-data belangrijker bij het voorspellen van de filmsmaak, dan de expliciete gegevens die Netflix verzamelde via het beoordelingssysteem met vijf sterren.

Bij de lancering van streaming in 2007 had Netflix bijna 100.000 dvd’s om uit te kiezen, dus de dvd-marketinguitdaging was om abonnees te helpen ‘verborgen juweeltjes’ te vinden in de enorme dvd-bibliotheek. Bij streaming was de uitdaging echter om kijkers te helpen een paar films te vinden die ze de moeite waard zouden vinden, tussen de 300 vrij middelmatige titels die bij de lancering beschikbaar waren.

Netflix-prijs
In 2006 bood Netflix 1 miljoen dollar aan elk team dat de voorspellende kracht van het filtering-algoritme met 10% kon verbeteren. Twee jaar later won het team ‘Bellkor’s Pragmatic Chaos’ de wedstrijd en versloeg daarmee 5.000 andere teams.

De wedstrijd leverde twee inzichten op:

  • Niet alle beoordelingen zijn gelijk. Developers ontdekten dat de beoordelingen die abonnees gaven voor recente films, meer voorspellende kracht hadden dan oudere ratings.
  • Hoe meer algoritmes, hoe beter. Aan het einde van elk jaar betaalde Netflix een stimuleringsbonus van 50.000 dollar aan het team dat het verst was in de ontwikkeling. Op de laatste dag van het jaar combineerden de teams op de tweede en derde plaats hun algoritmen en stegen ze naar de top van het klassement om die jaarlijkse bonus in ontvangst te nemen. Zo leerden de teams hoe belangrijk het is om veel algoritmen te combineren.

2010: Testen van het nieuwe ‘Netflix Prize’-algoritme

Netflix lanceerde de wedstrijd Netflix Prize om leden betere filmkeuzes te bieden, waarvan het team hoopte dat die zich zouden vertalen in een verbetering van het klantbehoud. Maar toen Netflix het nieuwe algoritme uitvoerde in een grootschalige A/B-test, was er geen meetbaar verschil in klantbehoud. Het resultaat was teleurstellend.

Er ontstond een nieuwe aanname: om het klantbehoud te verbeteren, waren betere algoritmen nodig plus een presentatie-laag in het scherm die duidelijk maakte waaróm Netflix een specifieke titel koos voor elke abonnee.

Was het 1 miljoen dollar waard om de Netflix Prize-wedstrijd uit te schrijven? Absoluut. Vóór de Netflix-prijs zagen technische experts Netflix als het zoveelste e-commercebedrijf. Na de competitie beschouwden ze Netflix als een zeer innovatief bedrijf.

2010: Populariteit is belangrijk

Netflix publiceerde al zijn inzichten van de Netflix Prize openlijk, en andere bedrijven bestudeerden de resultaten. De muziekstreamingdienst Pandora wilde zijn algoritmen niet laten wegen op de factor populariteit. In plaats daarvan had Pandora 40 ‘musicologen’ die elk nummer met honderden metadata markeerden om uit te leggen waarom een luisteraar een nummer leuk zou vinden. Musicologen bestempelden de liedjes van Jack Johnson bijvoorbeeld als ‘optimistische, volkse, akoestische muziek met thema’s als surfen, buitenavontuur en coming-of-age’.

Maar toen Pandora de resultaten van de Netflix-prijs onderzocht (waarin de populariteit juist sterk meewoog), begonnen ook zij algoritmen met dit soort filtering toe te passen. Dit verbeterde de luistercijfers onmiddellijk. De conclusie van Pandora: populariteit is wel degelijk een belangrijke factor.

2011: Category Interest

Omgekeerd bewonderde Netflix ook het werk van Pandora met de musicologen, maar het wist inmiddels dat meer algoritmen een nog beter resultaat konden geven. Toch huurde het 30 ‘filmologen’ in om verschillende metadata van films en tv-programma’s vast te leggen in ‘tags’.

Het nieuwe algoritme dat hieruit ontstond, werd ‘Category Interest’ genoemd. Voor het eerst zou Netflix niet alleen een film kunnen voorstellen, maar ook de context geven waarom een abonnee het leuk zou kunnen vinden. In het onderstaande voorbeeld weet Netflix dat ik van Airplane en Heathers hou, dus suggereert het Ferris Bueller’s Day Off en The Breakfast Club omdat ik van ‘Cult Comedies uit de jaren 1980’ hou:

Netflix 10 2010

2011: Hoe de personalisatiealgoritmen werken

In eenvoudige bewoordingen: Netflix creëert voor elke gebruiker een ranglijst van films, variërend van de inhoud die het meest waarschijnlijk zal bevallen, tot de inhoud die het minst zal bevallen. Dan wordt deze lijst gefilterd en in blokjes gesneden op basis van de kenmerken van de films, tv-shows en de smaak van de abonnee. Bijvoorbeeld, een filter haalt een sublijst van films eruit en presenteert deze in een rij op het scherm, genaamd ‘eigenzinnige drama’s met sterke vrouwelijke heldinnen’ of ‘geestige, brutale tv-programma’s’. Andere titels van rijen kunnen zijn: ‘Omdat je Stranger Things hebt gekeken, denken we dat je zult genieten van ‘……’ of ‘Top 10 voor jou’.

De personaliserings-aanpak van Netflix heeft drie onderdelen:

  • een geforceerde ranglijst van titels voor elke abonnee;
  • inzicht in de meest relevante filters voor elke abonnee, zodat de algoritmen een subset van films en tv-programma’s uit de bovenstaande lijst kunnen presenteren
  • het vermogen om de meest relevante rijen voor elke abonnee te begrijpen, afhankelijk van het platform, het tijdstip van de dag en veel expliciete/impliciete gegevens over de filmsmaak.

Het mooie van deze aanpak is dat deze rijen, met de juiste context, weergegeven kunnen worden op elk apparaat of scherm. Het is heel eenvoudig om dezelfde rijenstructuur weer te geven op alle browsers en apparaten.

Duidelijk is dat Netflix zeer lang – 13 jaar – heeft moeten investeren in personalisering, tot er eindelijk ‘bewijs’ was dat het ’t klantbehoud verbeterde. Maar vooral het percentage leden dat minstens 50 films beoordeelde in hun eerste twee maanden, gaf Netflix het vertrouwen om die weg naar personalisering te blijven volgen.

2012: Profielen opnieuw uitgevonden

Toen Netflix de stap maakte van dvd-verhuur naar streaming video, hoefden de abonnees niet langer een geordende lijst van films op te stellen. In plaats daarvan was een druk op de knop ‘Afspelen’ voldoende om een film of tv-programma te starten.

Netflix had tijdens het dvd-tijdperk een profielfunctie, maar slechts 2% van de abonnees gebruikte het ook; het was voor veel mensen simpelweg te tijdrovend. Maar nu valt er niets meer te beheren. Je geeft Netflix je naam, noemt drie films of tv-programma’s die je leuk vindt en Netflix bouwt een gepersonaliseerde ervaring voor elke gebruiker die aan een account is gekoppeld.

Vandaag heeft meer dan de helft van de Netflix-accounts meerdere profielen. Netflix kent de filmsmaak van 200 miljoen betaalde abonnementhouders, wat zich vertaalt in kennis van de filmsmaak van 500 miljoen afzonderlijke filmkijkers die aan die accounts zijn gekoppeld.

2013: Lancering van House of Cards

Netflix 11 House of cards

House of Cards, Netflix’ eerste grote investering in originele content, was eigenlijk een Amerikaanse remake van de Britse tv-serie. In 2007, nog in het dvd-tijdperk, mislukte Netflix’ eerste pogingen tot een originele eigen serie, uitgebracht onder het label ‘Red Envelope Studios’. Ondanks deze mislukking probeerde Netflix het opnieuw tijdens het streaming tijdperk met House of Cards.

Uit de eigen streaming database bleek dat miljoenen leden acteur Kevin Spacey en de serie The West Wing leuk vonden. Netflix zette in eerste instantie in op House of Cards voor een budget van 100 miljoen dollar. In zes seizoenen investeerde het bedrijf meer dan 500 miljoen dollar in de serie. House of Cards was het eerste bewijs dat Netflix onder de eigen merknaam succesvolle originele tv-series kon lanceren.

Rond deze tijd werd ook duidelijk dat personalisering goed werkte om winstmarges te verhogen. En door films gemakkelijker vindbaar te maken, verbeterde Netflix het klantbehoud. Maar er bleek nog een aspect van personalisering dat de marge van het bedrijf zou verbeteren: de mogelijkheid om de investeringen in producties te ‘right-sizen’. Hier zijn een paar voorbeelden van die manier van produceren:

  • Op basis van zijn kennis van de smaak abonnees voorspelde Netflix dat 100 miljoen leden Stranger Things zullen kijken en investeerde het 500 miljoen dollar in de serie.
  • Het data science-team voorspelde 20 miljoen kijkers voor de eigenzinnige volwassen tekenfilm Bojack Horseman, dus Netflix investeerde 100 miljoen dollar in deze geanimeerde tv-serie.
  • Op basis van de voorspelling dat één miljoen leden naar documentaires over beklimmingen van de Mount Everest zullen kijken, investeerde Netflix 5 miljoen dollar in dit genre.

Netflix heeft, mede dankzij de algoritmes, het voordeel te kunnen voorspellen hoeveel mensen een specifieke film, documentaire of tv-show zullen bekijken. Dat maakt de investeringen betrekkelijk veilig en de marges verantwoord.

2013: Netflix wint een technische Emmy

In 2013 won Netflix een Emmy Award voor ‘Personalized Recommendation Engines For Video Discovery’. Deze prijs was al een opmaat naar hoe sterk Netflix uiteindelijk zou gaan domineren in het aantal Oscars, Emmy’s en Golden Globe Awards.

2015: Maakt het uit of je Frans bent?

Netflix 12 Frans

Tussen 2015 tot 2021 breidde Netflix uit van 20 naar 40 talen en volgde lancering in 190 landen. Het personaliseringsteam vroeg zich af of ze de algoritmen moesten aanpassen met de moedertaal en het land van elke nieuwe abonnee. Gebaseerd op de resultaten van A/B-testen, was het antwoord simpelweg: nee.

Net als bij de demografietest in 2006 is de smaak van de leden zo eigenzinnig, dat taal en geografie geen rol spelen in de filmvoorkeuren van een kijker. Het vragen naar een paar tv-programma’s of films waar ze dol op zijn, is net als vroeger de meest efficiënte manier om een smaakprofiel van een abonnee op te stellen. Na verloop van tijd bouwt Netflix voort op deze eerste ‘zaadjes’, aangezien het zijn algoritmen blijft voeden met data rond de titels die abonnees bekijken en beoordelen, stoppen met kijken of interesse in een film tonen door een trailer te bekijken.

2016: Netflix test een gepersonaliseerde interface

Een pas aangenomen productleider bij Netflix stelde voor dat het team ‘zwevende rijen’ zou testen. Het idee was dat rijen, zoals ‘Top 10 voor jou’, ‘Net uitgebracht’ en ‘Verder kijken’ voor elke abonnee anders zouden moeten zijn – en zelfs zouden moeten veranderen op basis van het soort apparaat, het tijdstip van de dag, en verschillende andere factoren. De gangbare mening was dat een inconsistent site-ontwerp klanten in verwarring zou brengen, dus was het beter om de vormgeving niet te veranderen. Maar de ‘oude garde’ stond de nieuweling toch toe om een paar tests uit te voeren.
Verrassend genoeg presteerde de ‘inconsistente’ interface veel beter in A/B tests. Vandaag is zelfs de gebruikersinterface helemaal op die manier gepersonaliseerd.

Netflix 13
2017: Van sterren naar duimen

Tot 2017 verzamelde Netflix meer dan 5 miljard sterbeoordelingen. Maar in de afgelopen 10 jaar werd een ander beoordelingssysteem ook populair: de duimen omhoog en omlaag van Facebook. In 2017 gebruikte Facebook dit eenvoudige gebaar al bij meer dan 2 miljard gebruikers wereldwijd.

Welke methode abonnees zou inspireren om meer gegevens over de eigen smaak te verstrekken is eenvoudig te ontdekken: voer een A/B-test uit van het vijf-sterrensysteem tegen een duimen omhoog/omlaag-systeem. Het resultaat: het eenvoudigere duimpjes-systeem verzamelde twee keer zoveel beoordelingen.

Netflix 14

Was dit een verrassing? Nee. Als je van een abonnee verlangt dat hij of zij een onderscheid maakt tussen drie, vier of vijf sterren, dwing je ze te veel na te denken. Ze raken in de war en gaan door naar de volgende activiteit zonder een film te beoordelen. Duimen omhoog of omlaag klikken is veel eenvoudiger. Hier is, zoals in veel gevallen met gebruikersinterfaces, eenvoud de beste aanpak.

2017: Wat gebeurt er met het vijf-sterren-systeem?

Als sterren weg zijn, hoe communiceer je dan over de kwaliteit van films? Vergeet niet dat een van de vroege aannames van Netflix was, dat na verloop van tijd de gemiddelde beoordelingen van de bekeken films zouden toenemen.

Het blijkt dat filmwaarderingen niet gelijk staan aan filmplezier. Schindler’s List of Hotel Rwanda zijn misschien vijfsterrenfilms, maar dat betekent niet dat je er meer van geniet dan van een film met drie sterren. Soms is een platte komedie zoals Paul Blart: Mall Cop alles wat je nodig hebt. Dit is de reden dat een van de eerste grote investeringen van Netflix Originals een overeenkomst was voor vier films met Adam Sandler, de koning van de simpele komedie.

2017: Procentuele match

Dus, met het verlies van sterbeoordelingen, en het inzicht dat sterbeoordelingen niet gelijk staan aan filmplezier, veranderde Netflix zijn systeem. Het ging over op een ‘percentage match’ die aangeeft hoeveel je van een film zou genieten, ongeacht de kwaliteit.

Hieronder geeft Netflix een ‘80% match’ voor mij voor The Irishman. Er is een kans van 80% dat ik ervan zal genieten, wat aan de lage kant is voor mijn Netflix-suggesties.

Netflix geeft dus niet langer de kwaliteit van een film aan met zijn vijf-sterren-systeem. Het vertelt je gewoon in welke mate een titel bij je past, wat een indicatie is van de mate waarin je van de film of serie zult genieten.

Netflix 15 The Irishman
2021: Voel je je gelukkig?

De ultieme personalisering is dat je je tv aanzet en Netflix op magische wijze een film afspeelt die je leuk zult vinden. Het eerste experiment van Netflix met dit concept is een functie die co-CEO Reed Hastings gekscherend de ‘Ik voel me gelukkig’-knop heeft genoemd.

In de VS wordt deze ‘Play something’-functie uitgebreid getest bij abonnees die een tv gebruiken, en ik schat dat op dit moment 2 à 3% van de vertoningen uit deze functie voortkomen. Als deze ‘Play Something’-knop over een paar jaar 10% gebruik oplevert, is dat een sterke aanwijzing dat de personalisering van Netflix zijn abonnees nog veel films kan opleveren die ze leuk zullen vinden.

Mijn visie op de toekomst van Netflix

Hier is mijn langetermijnvisie op personalisering: vandaag de dag wordt meer dan 80% van de tv-programma’s en films die Netflix-abonnees bekijken, aangeboden door de personaliseringsalgoritmen. Maar ik gok er op dat Netflix binnen 20 jaar zowel de ‘Play Something’-knop als zijn gepersonaliseerde systeem met aanbevelingen schrapt, en die ene speciale film waarvoor je op dat specifieke moment in de stemming bent om te bekijken, automatisch gaat afspelen.
Belangrijkste vereiste: geduld. Het duurt immers tientallen jaren om een product en bedrijf van wereldklasse op te bouwen.”

Tekst: Gibson Biddle
Beeld: JEShoots e.a.