Così Netflix ci dà i suggerimenti giusti*

Netflix deve il suo successo a un sistema di raccomandazioni ritagliate su misura per ogni abbonato e capaci di sfruttare l’ampiezza del catalogo. Alla base ci sono algoritmi sofisticati. Che fanno risparmiare all’azienda 1 miliardo di dollari l’anno.

Pochi secondi per far felici gli abbonati

Parliamo spesso di big data e della capacità di profilare gli utenti attraverso le loro scelte. Ma come lo si fa concretamente e come viene arricchita l’esperienza dell’utente? Un esempio significativo è rappresentato dai reccomender system. Sistemi di questo tipo abbracciano una vasta area di settori e attività economiche e sono sempre più utilizzati anche nel campo dei media e dell’intrattenimento.

Netflix ne rappresenta uno dei più importanti casi di studio, perché negli anni ha strutturato e progressivamente ottimizzato una serie di sofisticati algoritmi basati su tecniche di statistical learning e machine learning, attraverso due sistemi che comparano le abitudini di ricerca e visione tra utenti simili con i suggerimenti di film e serie dalle caratteristiche vicine a quelle che l’utente ha valutato positivamente.

Ricerche di mercato e sui consumatori hanno dimostrato che l’abbonato medio di Netflix perde interesse nei confronti di un contenuto dopo un intervallo di attesa per la scelta che va dai 60 ai 90 secondi, generalmente avendo dovuto scegliere tra 10 o 20 film su uno o due schermi. È dunque auspicabile che l’utente trovi qualcosa di suo gradimento, altrimenti il rischio che abbandoni il servizio aumenta in modo sostanziale. Il reccomender system deve appunto produrre suggerimenti tali che sia altamente probabile, o meglio ancora certo, che l’utente trovi un contenuto di interesse. La natura stessa dello streaming abilita la raccolta di una grande quantità di dati che descrivono esattamente che cosa ogni utente vede e come viene visto (per esempio, su che dispositivo, a che ora del giorno, in quale giorno della settimana, con che intensità). Le informazioni raccolte riguardano anche la posizione del contenuto prescelto all’interno del sito e i titoli suggeriti ma non selezionati dall’utente.

L’importanza dell’homepage

Il sistema di raccomandazioni di Netflix capitalizza adeguatamente questo grande patrimonio di dati soprattutto nella costruzione dell’homepage personalizzata per utente. A prescindere dal dispositivo utilizzato, l’homepage è la parte di Netflix che contiene il maggior numero di numero di raccomandazioni dando conto di oltre i due terzi dei minuti visti dall’utente.

Il layout della pagina ha una struttura a matrice in cui ogni istanza presentata è una raccomandazione e ogni riga contiene video di “tema” analogo. Ciascuna riga ha un’etichetta relativa al tema, che ha l’obiettivo di renderlo più intuitivo e trasparente per gli utenti. Di solito, nell’homepage vi sono circa 40 righe e fino a 75 video per ciascuna (i numeri possono variare sulla base delle caratteristiche hardware del dispositivo usato, per assicurare la migliore esperienza di utilizzo possibile). I video inseriti in ciascuna riga sono generalmente determinati da uno specifico algoritmo.

Lo sviluppo e il miglioramento continuo del recommender system ha aumentato – e continua ad aumentare – il valore di Netflix. Il sistema è infatti essenziale per affrontare in modo efficace il cosiddetto “momento della verità”, ovvero quando un utente inizia una sessione e in pochi secondi riesce a trovare qualcosa di interessante, sentendosi soddisfatto e appagato. È il modo migliore per prevenire un’eventuale cancellazione dell’abbonamento.

Attraverso la possibilità di fornire raccomandazioni mirate a ogni singolo utente, si ottiene un altro vantaggio: si può sfruttare pienamente l’intero catalogo di contenuti, compresi quei film di nicchia che quasi sicuramente sarebbero un insuccesso sulla normale tv perché raccolgono una audience troppo bassa per trainare adeguati ricavi pubblicitari che giustifichino l’occupazione dello slot temporale utilizzato. Il reccomender system permette quindi di distribuire il consumo di contenuti su un ventaglio molto ampio di titoli in un catalogo molto vasto. Si pensa che l’effetto della personalizzazione apportata dall’algoritmo consenta di ottenere un miglior sfruttamento dei contenuti con un picco pari a 4 volte quello che sarebbe senza l’algoritmo.

Grazie alla massimizzazione del catalogo e alla personalizzazione abilitata dalle raccomandazioni, Netflix è stata capace nel corso degli anni di abbassare il tasso di abbandono mensile di diversi punti percentuali, tanto che oggi è molto basso, a cifra singola. Ciò comporta un aumento complessivo del valore nel tempo degli abbonati e riduce il numero di nuovi utenti che è necessario acquisire per compensare quelli che abbandonano il servizio. Tutto ciò produce, a detta della società, risparmi pari a circa 1 miliardo di dollari l’anno.

* L’articolo si basa sullo studio realizzato da ITMedia Consulting con il contributo scientifico del Centro di ricerca ASK – Università Bocconi.