De ACM Recommender Systems conferentie startte op 15 september 2016 in Boston (MA) met de RecSys TV (Engels) workshop, één dag gewijd aan aanbevelingssystemen op het vlak van uitzendingen.
De hoogtepunten van de dag waren presentaties door Verizon, Comcast, Netflix en de Universiteit van Lissabon. Diana Hu (Verizon) toonde hoe tijdreeksen kunnen worden gebruikt voor het voorspellen van voorkeuren. Een interessante ontleding van genres gaf zeer terugkerende patronen gedurende de week weer. Dit, samen met andere terugkerende patronen op langere tijdschalen, toonde aan dat wij gewoontedieren zijn. De beste manier om correct te voorspellen is, zo besloot Diana Hu, om te gaan met die gewoonten.
Time series effects for TV recommendations from IntoTheMinds (Engels)
Daarna kwam de presentatie van Netflix, gegeven door Sr. Research Engineer Hossein Taghavi. De presentatie gaf uitstekend inzicht in hoe Netflix werkt, vooral hoe het erin slaagt om de klant te laten blijven kijken. Hossein legde uit hoe ze de Continue Watching (CW) functie ontwierpen, een van de vele nuttige algoritmen op Netflix. CW-algoritmen voorspellen wat u waarschijnlijk verder zal kijken. CW-voorspellingsalgoritmen passen de positie van titels binnen een enkele rij aan, evenals de positie van de CW-rij zelf. Deze functionaliteit is, net als alle andere aanbevelingssystemen op Netflix, gericht op het maximaliseren van één (en slechts één) meting: klantenbinding. Zoals Hossein uitlegt, is er is geen andere meting op Netflix. Alles begint van daaruit. Aanbevelingssystemen zijn gericht op het verhogen van de hoeveeltijd tijd die wordt doorgebracht op Netflix, dus op het versterken van gewoonten en creëren van verwachtingen (en hopelijk tevredenheid). Die gewoonten en verwachtingen worden vervolgens omgezet in vernieuwde abonnementen of, met andere woorden, het behoud van klanten. De aanbevelingssystemen zijn zo geprogrammeerd om u meer tijd bij Netflix door te brengen en zo uw gewoonten te versterken. Die gewoontes en de verwachtingen die eruit voortkomen leiden vervolgens tot tevredenheid en dan abonnementen.
Balancing Discovery and continuation in recommendation (hossein taghavi netflix) from IntoTheMinds (Engels)
Een andere vermeldenswaardige presentatie werd gegeven door Miguel Costa (Universiteit van Lissabon). Miguel gebruikte databases van 682m views op Live TV, Catch UP en VOD om te onderzoeken hoe gedragingen verschillen tussen deze 3 soorten inhoud. Een zeer interessante vaststelling is dat het percentage van geconsumeerde content varieert al naar gelang het type inhoud. Het percentage van bekeken inhoud op Live TV is laag (27%) vergeleken met Catch-Up (50%) en VOD (60%). Een andere conclusie is dat kinderen content “vollediger” bekijken dan volwassenen. Dit is erg intuïtief. Kijk naar uw kinderen en u zult merken dat ze inderdaad een cartoon blijven kijken tot u hen dwingt ermee te stoppen. Tenslotte besloot Miguel Costa terecht dat aanbevelingen rekening moeten houden met de context (Live, VOD, Catch-Up). (Daarbij zou u kunnen opmerken dat Live TV geen aanbevelingen nodig heeft, maar dat is een hele discussie op zichzelf).
We zouden graag willen afsluiten met een opmerking. Alle presentatoren waren het over één ding eens. De beste manier om te voorspellen wat u zult gaan consumeren, is te kijken naar wat u heb geconsumeerd. Wat u gisteren bekeek, zult u wellicht ook morgen bekijken. Dat brengt ons weer bij het probleem van de filter bubbles en van de versterking van gewoontes. Daarover meer in een volgend artikel.
Posted in big data, Innovation, Marketing.
