Bagaimana Ilmu Data Meningkatkan Netflix

Ketika data digunakan secara efektif, Anda dapat secara ajaib mengubah bisnis Anda dan membawanya ke tingkat yang lebih tinggi.

 

Selama beberapa tahun terakhir, Netflix telah menjadi tujuan de facto bagi pemirsa yang terobsesi dengan film dan acara TV.

Netflix mengumumkan tahun lalu bahwa mereka telah mendaftar untuk 135 juta pelanggan yang membayar di seluruh dunia.  Pada tahun 2019 saja, Netflix menghasilkan lebih dari $20 miliar dengan menyediakan konten kelas atas kepada pemirsa yang sangat nyaman.

Dengan awal yang sederhana sebagai platform persewaan DVD, salah satu faktor utama yang memainkan peran kunci dalam keberhasilan penyedia media over-the-top ini adalah penggunaan mendasar dari data besar.

Teknologi di balik kesuksesan Netflix adalah data besar, dan karena Netflix tidak hanya berurusan dengan konten tetapi juga dengan sejumlah besar metadata yang relevan, netflix dapat menangani kumpulan data yang sangat besar.

 

Pentingnya Data Science

Ilmu data memainkan peran yang sangat penting dalam sebagian besar layanan online, membantu tidak hanya memperoleh lebih banyak pelanggan, tetapi juga memuaskan yang sudah ada.

Alasan untuk ini adalah bahwa ilmu data memungkinkan kita untuk mendapatkan gambaran yang lebih realistis tentang preferensi konsumen dalam bentuk grafik dan bagan yang tidak hanya mengambil satu metrik, tetapi juga beberapa metrik sebagai input.

Informasi penting ini membantu pelanggan membentuk produk dan layanan dengan cara yang tak tertandingi dan menarik mereka ke platform.

Untuk perusahaan kaya data seperti Netflix, selalu merupakan keputusan yang bijaksana untuk memanfaatkan tumpukan data itu dengan baik. Ilmu data mencakup konsep-konsep seperti analitik data, pembelajaran mesin, statistik, dan pembelajaran mendalam untuk membantu tidak hanya Netflix, tetapi juga bisnis apa pun tumbuh secara eksponensial, apa pun sektornya.

 

Model Bisnis Netflix

Model bisnis Netflix terlihat sangat sederhana di luar. Anda membeli langganan dan Netflix memberi Anda sejumlah besar konten berkualitas tinggi dan bebas iklan.

Tapi tidak selalu seperti ini. Ketika Netflix dimulai pada tahun 1998, mereka menyewakan salinan DVD konten mereka melalui email dan bahkan menjualnya.

Setelah itu, ia datang dengan disk Blu-ray dan DVD, tetapi baru pada tahun 2010 ia melompat ke kancah streaming digital mulai dari Kanada.

Sejak itu, Netflix telah berada di garis depan dalam mengkurasi, streaming, dan bahkan membuat media untuk banyak perangkat. Netflix, seperti perusahaan lain lainnya, secara konsisten berfokus pada pengoptimalan efisiensi dengan melakukan kompetisi dan Hack-Days selama bertahun-tahun.

 

Beberapa fakta menarik tentang Netflix

  • Meskipun persaingan meningkat, Netflix masih memiliki basis pelanggan terbesar di tahun 2020
  • 60 Juta Orang Dewasa AS Berlangganan Netflix
  • Perusahaan ini lebih tua dari yang diketahui kebanyakan pengguna
  • 41% pengguna Netflix menonton tanpa membayar berkat kata sandi dan berbagi akun
  • Netflix adalah salah satu layanan streaming pertama yang tersedia sebagai aplikasi di berbagai perangkat

 

Bagaimana Netflix menggunakan big data

Mengingat sudah berapa lama Netflix berkecimpung dalam bisnis streaming, kami telah mengumpulkan banyak data tentang pemirsa kami, termasuk usia, jenis kelamin, lokasi, dan preferensi media.

Netflix mengumpulkan informasi untuk setiap interaksi pelanggan sehingga pemirsa dapat langsung teringat dan mencari tahu apa yang ingin mereka tonton selanjutnya, bahkan sebelum acara atau film berakhir.

Netflix memiliki basis pengguna yang sangat besar lebih  dari 140 juta pelanggan. Berikut adalah beberapa metrik yang dilacak Netflix untuk memberikan selera pribadi kepada semua orang.

  • Tanggal Anda menonton konten
  • Saatnya menonton konten
  • Perangkat tempat konten ditonton
  • Sifat konten
  • Cari di platform
  • Beberapa konten yang ditonton ulang
  • Apakah konten dijeda, diputar ulang, atau diteruskan dengan cepat
  • Data lokasi pengguna
  • Kapan harus meninggalkan konten
  • Peringkat yang diberikan oleh pengguna
  • Perilaku penjelajahan dan pengguliran

 

Selama bertahun-tahun, Netflix telah memanfaatkan data ini untuk menerapkan beberapa algoritme dan mekanisme yang menghasilkan wawasan utama yang dapat membantu mengarahkan perusahaan ke arah yang benar. Beberapa alat dan fitur ini meliputi:

  • Dekat mesin rekomendasi real-time

Dengan begitu banyak pengguna, setiap pengguna menghasilkan ratusan peringkat sehari berdasarkan tampilan, pencarian, dan penambahan ke daftar pantauan mereka, dan data ini akhirnya menjadi bagian dari data besar. Netflix menyimpan semua informasi ini dan menggunakan algoritme pembelajaran mesin utama untuk membangun pola yang menunjukkan preferensi pemirsa. Pola ini mungkin tidak akan pernah cocok dengan pemirsa lain karena selera setiap orang unik.

Berdasarkan peringkat, Netflix mengkategorikan media dan menyarankan kepada pemirsa apa yang ingin mereka lihat selanjutnya.

  • Pemilihan karya seni dan gambar

Pernahkah Anda bertanya-tanya mengapa Netflix menampilkan banyak karya seni dalam satu film atau film?

Alat di balik ini disebut AVA, yang pada dasarnya adalah algoritma yang memilih karya seni atau gambar mana yang akan ditunjukkan kepada siapa. Estetika adalah singkatan dari Visual Analysis, AVA menyaring semua video yang tersedia dan mengidentifikasi bingkai yang paling cocok untuk digunakan sebagai karya seni.

AVA memperhitungkan banyak indikator sebelum menyelesaikan gambar, seperti ekspresi wajah aktor, pencahayaan adegan, area yang menarik, dan posisi subjek di layar. Anda juga dapat mengkategorikan dan mengurutkan karya seni Anda dan menampilkannya kepada pengguna yang diklasifikasikan ke dalam beberapa kelompok selera.

  • Perencanaan produksi

Data memainkan peran integral ketika pembuat konten datang dengan ide tentang acara dan film baru. Ada banyak brainstorming yang terjadi sebelum sesuatu muncul di atas kertas, dan di situlah data masuk.

Big data membantu mendapatkan solusi yang mungkin untuk banyak tantangan yang dihadapi selama fase perencanaan dengan pengalaman membuat konten asli baru dan sejumlah besar data tentang bagaimana pemirsa memandang konten sebelumnya.

Tantangan-tantangan ini termasuk mengidentifikasi lokasi pemotretan, waktu dan hari pemotretan, dan sebagainya. Bahkan dengan model prediktif sederhana, Netflix dapat menghemat banyak upaya dalam perencanaan dan bahkan mengurangi biaya.

  • Metaflow

Netflix adalah sumber terbuka Metaflow, kerangka kerja cloud-native, berpusat pada manusia yang bertujuan untuk meningkatkan produktivitas ilmuwan data.

Ide di balik Metaflow adalah untuk mengalihkan fokus  ilmuwan data dari mengkhawatirkan infrastruktur model menjadi memecahkan masalah.  Metaflow  bebas bereksperimen dengan ide-ide dengan menyediakan serangkaian fitur yang disetel dengan baik yang membuat Metaflow terasa seperti kerangka kerja plug-and-play. Fitur penting metaflow meliputi:

  • Kemampuan untuk bekerja pada platform komputasi terdistribusi
  • Opsi untuk me rekam jepret kode dan data untuk pembuatan versi dan eksperimen
  • Klien S3  yang cepat dan berkinerja tinggi
  • Dukungan untuk sebagian besar kerangka kerja pembelajaran mesin
  • Polynote

Dikembangkan dan bersumber terbuka oleh Netflix, Polynote adalah notebook multibahasa yang mendukung Scala dan berbagai fitur lainnya. Polynote memungkinkan ilmuwan data dan peneliti pembelajaran mesin untuk mengintegrasikan Python dengan lancar dengan platform pembelajaran mesin berbasis JVM. Beberapa sorotan dari buku catatan ini adalah:

  • Memberikan wawasan tentang keadaan kernel dan tugas yang sedang berjalan.
  • Menyediakan dependensi sederhana dan manajemen konfigurasi
  • Menyediakan fitur seperti IDE seperti pelengkapan otomatis, penyorotan kesalahan, reproduksibilitas, pengeditan, peningkatan, visibilitas, dan visualisasi data.
  • Metacat

Kumpulan data luas yang dioperasikan oleh Netflix  didistribusikan di berbagai platform seperti Amazon S3, Druid, Redshift, dan MySql. Untuk menjaga interoperabilitas yang mulus antara penyimpanan data ini, Netflix membutuhkan layanan ini.

Kebutuhan akan kesederhanaan ini memunculkan Metacat, yang satu-satunya tujuan adalah untuk menyediakan akses metadata terpusat ke semua penyimpanan data. Netflix telah membuat Metaflow dengan tujuan untuk melayani tujuan inti berikut:

  • Mengintegrasikan dan memberikan tampilan terpusat dari sistem metadata
  • Menyediakan satu API untuk metadata himpunan data untuk platform
  • Memberikan solusi untuk penyimpanan metadata bisnis dan pengguna dari himpunan data
  • Druid

Netflix menggunakan Apache Druid untuk memastikan bahwa pengguna mendapatkan pengalaman pengguna berkualitas tinggi setiap saat. Memberikan pengalaman pengguna terbaik setiap saat bukanlah tugas yang mudah. Ini membutuhkan analisis konstan dari beberapa peristiwa, serta pengumpulan dan analisis data yang diperlukan. Data ini dapat berupa apa saja mulai dari informasi pemutaran hingga informasi perangkat hingga pengukuran kinerja platform. Semua metrik peristiwa ini mempersulit data mentah, dan di situlah Druid masuk.

Tugas Druid adalah menyediakan analitik real-time dalam database di mana kueri dijalankan secara berkala selama periode yang tidak pasti. Ini sangat skalabel dan memberikan kinerja yang sangat baik untuk beban kerja apa pun.

  • Menggunakan Python

Netflix menyukai Python karena betapa kuatnya itu, seberapa bagusnya ketika dikombinasikan dengan perpustakaan, dan seberapa lancar ia terintegrasi dengan platform lain. Netflix menggunakan Python untuk mengelola sejumlah aspek penting misi seperti:

  • Aplikasi yang mengelola infrastruktur CDN
  • Analisis data operasional, distribusi lalu lintas, dan efisiensi operasional
  • Alat visualisasi prototipe
  • Dapatkan wawasan melalui alat statistik, eksplorasi data, dan pembersihan
  • Untuk menjaga keamanan informasi
  • Gunakan notebook Jupyter untuk mengelola beberapa tugas inti
  • Untuk penggunaan eksperimental dengan pengujian A /B

 

kesimpulan

Big data tidak hanya menentukan kemampuan  Netflix, tetapi juga memainkan peran penting dalam memberikan peluang pertumbuhan baru bagi Netflix. Teknologi baru sering kali menghasilkan banyak masalah, tetapi di Netflix, kami secara konsisten menangani masalah ini secara langsung dengan memasukkan masukan komunitas. Dengan membuka beberapa perpustakaan dan kerangka kerja untuk komunitas, Netflix bertujuan untuk meningkatkan tidak hanya perusahaannya sendiri tetapi juga perusahaan lain. Bagaimanapun, Netflix masih mengandalkan masukan manusia dari banyak orang, jadi salah untuk mengatakan bahwa itu membuat semua keputusan berdasarkan wawasan data besar.

 

Leave a Reply

Your email address will not be published.