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.
Az AI és a nagy full-full-stack trend Az AI farvizén számos új informatikai munkakör születik, vagy már ismert munkák kapnak új nevet és vele extra elvárásokat is.
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.