logo
May the "efficiency" be with you.

E-Ticaret Danışmanlığı

Dijital Performans Yönetimi

Dönüşüm Oranı Optimizasyonu

Eposta Pazarlaması

Çevrimiçi Durum analizi

Dilediğiniz zaman iletişime geçebilirsiniz.
Genç ve dinamik ekibimizle 7/24 hizmetinizdeyiz.

(0212) 800 7986

info@hamlinmcgill.com

Serdar-ı Ekrem Cd. No:15, Beyoğlu, İstanbul

(0212) 800 7986

Serdar-ı Ekrem Cd. No:15, Beyoğlu, İstanbul

Yukarı

Kocaman bir laboratuvar: Netflix!

Kocaman bir laboratuvar: Netflix!

Netflix’in neden bu kadar başarılı olduğunu merak ettiniz mi? A/B testleri ile her kullanıcısına özel bir akış deneyimini nasıl oluşturduğunu merak ediyor musunuz? Peki ya yapay zeka? Bu yazı ile Netflix’in nasıl devasa bir laboratuvar olduğunu anlayacaksınız.

Geçtiğimiz haftalarda gerçekleşen bir etkinlikte Netflix’in iki ürün tasarımcısı Anna Blaylock ve Navin Iyengar, on milyonlarca Netflix üyesinde uyguladıkları A/B testlerinden yıllarca çıkarılan sonuçları paylaştı. Öncelikle A/B testi nedir? A/B testi (bölme testi veya kova testi olarak da bilinir) hangisinin daha iyi performans gösterdiğini belirlemek için bir web sayfasının veya uygulamanın iki sürümünü birbiriyle karşılaştırmanın bir yöntemidir. Bu performansı ölçülmek istenen şey bir buton da olabilir bir görsel de. Netflix kullananlar zaten akışlarındaki yapımların kapak fotoğraflarının sıkça değiştiğini fark etmişlerdir. Bunlar sizi daha iyi tanımak için sürekli değişiyor ve bu değişimlere olan tepkileriniz sürekli olarak kayıt altına alınıyor.

A/B testleri tamamen denemeye dayalı olarak çalıştırılır. Bilimde, bir hipotez, daha sonra çalışma ve deney yoluyla test ettiğiniz bir fikir veya açıklamadır. Tasarımda bir teori veya tahmine de hipotez denebilir. Yani önce daha iyi performans gösterebilecek bir tasarımsal dokunuş hipotezi ortaya atılmalı ve sonra da bu denenmeli.

Netflix bloğunda konuyla ilgili, “A/B testinin ardındaki genel kavram, bir kontrol grubu ve alternatifler, bir veya daha fazla deney grubu (Netflix içinde“ hücreler ”deniyor) ile bir deney oluşturmaktır. Her üye belirli bir deney içindeki bir hücreye aittir, hücrelerden biri her zaman “varsayılan hücre” olarak adlandırılır. Bu hücre, testte olmayan tüm Netflix üyeleriyle aynı deneyimi alan kontrol grubunu temsil eder.”

A/B testi Netflix’te şu şekilde yapılır: Test yayınlanır yayınlanmaz, önemli belirli metrikleri izlerler. Örneğin, tıklanma oranları ya da içeriğin hangi saatlerde daha çok izlendiği gibi. Katılımcılar yeterli anlamlı sonuçlar verdikten sonra, farklı varyasyonlardan bir kazanan tanımlanır.

A/B testi fikri, farklı kullanıcı gruplarına farklı içerik sunmak, tepkilerini toplamak ve sonuçları gelecekte stratejiler oluşturmak için kullanmaktır. Netflix mühendisi Gopal Krishnan tarafından yazılan bu blog yazısında

“90 saniye içinde bir üyenin dikkatini çekmezseniz, o üye ilgisini kaybedecek ve başka bir etkinliğe geçecektir. Bu tür başarısız oturumlar bazen doğru içeriği göstermediğimiz veya doğru içeriği gösterdiğimiz ancak üyemizin neden izlemesi gerektiğine dair yeterli kanıt sağlamadığımız için olabilir.” diyor.

Sonuç olarak Netflix’in de başarısının arkasında yatan A/B testleri, kullanıcı davranışlarını öğrenmenin en güvenilir yolu. Kullanıcılarının davranışlarını anlayıp onların sevdiği tarzda görselliği onların karşısına çıkarmak, üstelik her kullanıcısına tasarımsal anlamda özel bir akış oluşturmak uygulamanın başarısının önemli parçalarından birisi.

Peki ya yapay zeka?

Netflix’in veri bilimindeki çalışmaları, akış deneyiminin kullanıcı davranışına göre kişiselleştirilmesini sağladı. Netflix, kullanıcı tercihlerinin ayrıntılı bir şekilde anlayabilmek için içeriği sınıflandırır ve etiketler. Netflix, içeriği türe, zamana, ruh haline vb. göre sınıflandıran 1000’den fazla etiket türü kullanıyor. Bu etiketler, 2014 yılına kadar 76.897’ye ulaşmış olan mikro türleri tanımlamaya yardımcı olur. İçerik mikro sınıflandırması, başarılı bir öneri motoruyla birlikte Netflix’in daha iyi müşteri deneyimi sunmasını sağlıyor. Kullanıcı etkinliğinin yaklaşık %75 -%80’i öneri algoritmasıyla birlikte oluşturuluyor.

Geleneksel TV’lerde, pazarlama için yaş, ırk veya konum gibi standart demografik derecelendirmeler kullanılır. Netflix ise bunun yerine abone tabanının izleme alışkanlıklarını en başından itibaren izliyor ve “lezzet toplulukları” olarak adlandırdığı yaklaşık 2000 küme kullanıyor.

Netflix’in Kıdemli Veri Bilimcisi Mohammad Sabah 2014 yılında şunları söyledi:

“Kullanıcıların yüzde 75’i filmleri bizim önerilerimize göre seçiyor ve Netflix bu sayıyı daha da yükseltmek istiyor.”

Bu öneriler, benzer görüntüleme modellerinin benzer kullanıcı zevklerini temsil ettiği varsayımına dayanan algoritmalar tarafından desteklenmekte. Lezzet toplulukları, bu öneri algoritmalarında önemli bir rol oynamaktadır. Örneğin çalışmalar, Black Mirror’ı sevenlerin aynı zamanda Lost ve Groundhog Day hayranı olduklarını da gösterdi.

Ancak öneri algoritmaları “lezzet” kriterinin ötesine geçer. Netflix ayrıca, her an için her kullanıcı için mükemmel öneriyi bulmak amacıyla bağlamsal ölçüt içerir.

Akışın haftanın gününe, günün saatine, cihaza ve hatta bazen konuma bağlı olarak değiştiğini biliyoruz. Çoğu internet şirketi, öneriler gibi kişiselleştirme kullanım durumları için toplu işlemler kullanır, ancak Netflix, bunu tek kullanıcı ya da kullanıcı gruplarında yapabiliyor. Öğrenme sürecini hızlandırmak ve test sonuçlarını sunmak için ise neredeyse gerçek zamanlı (NRT) bir öneri sürecini uyguluyorlar.

Bir görsel bin kelimeden daha değerli

Netflix, yalnızca tavsiye ettiği şeylerle değil, üyelerine içerikleri nasıl tavsiye ettiğiyle de geleneksel medya şirketlerinden ayrılıyor. Temel özellik, her filmi veya TV şovunun kullanıcının ilgisini çekmesi için kapak görselleri kullanılıyor. Milyonlarca üye için milyonlarca içeriğin her birine atanmış onlarca farklı kapak fotoğrafının sürekli izlendiğini ve yapay zeka, makine öğrenmesi ile de çıkarımların yapıldığını ve bunların anlık uygulandığını düşünün. Peki tüm bu çaba, yatırım ne için? Tabii ki kullanıcıların Netflix’te daha çok vakit geçirmesini sağlamak için. Netflix şimdiye kadar bunu çok iyi başarmış gibi görünüyor.

 

 

2011 yılından beri içerik üreticisi, 2017 yılından beri e-ticaret sektöründe ve BSL markasının e-ticaret direktörü, bilgisayar mühendisi ve 2019 yılından beri Hamlin&McGill dijital performans ve e-ticaret danışmanlık ajansının kurucusu.

Yorum Yok

İçerik Yorumları