不迷信大預算製作,專注幫每位會員找最合拍內容——Netflix 如何用 AI 顛覆娛樂產業?

Annie Su, Analyst (蘇怜媛 / 分析師)

負責投資,表面上是個冷靜理性的金融人,但其實對創業有莫名的熱忱,立志成為台灣網路創業家與資本市場的橋樑。先前於凱基投顧擔任 Research Associate,主要負責產業研究和財務分析。台大財金系畢業,大學時期活躍於創意創業學程、不一樣思考社。

串流影音龍頭 Netflix,正在應用 AI 技術顛覆傳統的娛樂產業,透過個人化推薦,將不同但更適合的內容推送到個別用戶眼前。對 AI 領域的創業者來說,來自 Netflix 最重要的啟示,就是產品與服務未必要是人人追逐的大主流,相反地,讓多元、長尾的內容,為個別用戶帶來最大價值,才是 AI 時代最重要的顛覆力量。

Netflix 的娛樂帝國正在成型。五年來,Netflix 股價大漲十倍,並一度在今年六月市值突破 1,700 億美元,超越 Disney,儘管隨後股價回檔,但成長力道依舊強勁。今年第二季,Netflix 共新增 620 萬用戶,其中 510 萬來自美國以外的海外市場,根據 Cowen 預估,Netflix 海外用戶在 10 年內,將從 2018 年底的 8,360 萬,以每年平均 20% 的速度成長至 2.55 億。

Netflix 影音內容的質量與數量,也在同步提升。今年 Netflix 入圍 112 項艾美獎,首度超越歷年大贏家 HBO 的 108 項,顯示致力於拍攝原創的策略終獲碩果。根據《經濟學人》的報導,Netflix 今年的內容投資將達 120 至 130 億美元,超越任何一家電影公司、電視台 (不含體育頻道),用戶每年可收到 82 部電影 (每年華納兄弟推出 23 部電影,Disney 則為 10 部),正在製作或採購的電視節目則有 700 部,其中包括 100 部劇本和喜劇、數十部紀錄片和兒童劇、脫口秀喜劇,以及無劇本的真人秀和脫口秀節目。

Netflix 拍攝原創內容的標準是什麼?以及,Netflix 又是如何讓觀眾在上千種影音內容中,找到自己喜歡的影片?

重點不是最優質的內容,而是「每小時觀看成本」 

Netflix 的商業模式,奠基於向用戶收取固定月費。對公司來說,最重要的任務就是提供足夠 「優質」的內容滿足用戶需求,這樣用戶便沒有理由離開平台。而作為串流影音服務商,Netflix 並不像傳統電視台,受限於節目表以及每日播放 24 小時,而是能夠提供無限的影音內容供用戶隨時選擇,因此 Netflix 所認定的 「優質」內容,其實是針對個人而言的,因為他們能提供各種類型的內容 (無論大眾或小眾) 給長尾市場。

身為一間位於矽谷的科技公司,Netflix 經常被誤解為運用演算法來決定原創內容,但實際上,在內容創作 Netflix 給予創作者相當大的自由,且時常強調他們並不會根據用戶行為,來影響原創內容的方向,產品長 Ted Sarandos 曾提及「千萬不要沈溺於演算法,過去的資訊,很有可能限制對於未來的想像力。」

大數據與演算法對於 Netflix 來說,是運用在評估某個作品上架後,是否符合成本效益。公司在官方網站上明講:評估內容成效的關鍵指標是 「每小時觀看成本」(cost per hour viewed),亦即 「這個內容是否能在一定的成本內,最大化用戶觀看時數」。由此可見,Netflix 想的並不是 「這個作品是否是最優質的內容」 或 「這個作品是否能吸引最多的觀眾數」,而是 「只要這個作品,能吸引一定數量級的觀眾群,並且符合每小時觀看成本的門檻」。

Netflix 在官網清楚說明挑選影音作品的標準 (圖片來源)

也因此,Netflix 的原創內容其實是相當多元的。從英國女王傳記《王冠》、懸疑驚悚片《怪奇物語》、現代科技反思路線《黑鏡》到青少年霸凌題材《漢娜的遺言》,不管是什麼類型、多少製作成本,只要成本效益指標夠好,都會被 Netflix 認為是適合製作的好內容。也因此,Netflix 製作影集成本的範圍很廣,《王冠》的每集製作成本高達 1,300 萬美元,而《漢娜的遺言》「只有」約 500 萬美元。相對的,一旦不符合 Netflix 的成本效益評估,公司便會決定停止該內容,例如 2017 年中宣告停拍《超感8人組》《布朗克斯:街頭少年音樂夢》,這兩部影集只各拍了兩季與一季。

相較於 Netflix 的長尾策略,其他電視台則較傾向重壓資源在單一內容上,並預期能擄獲所有觀眾的心。HBO 的大製作《冰與火之歌》,號稱在最後一季的每集成本將創新高至 1,500 萬美元 ,另外一個作品《西方極樂園》的每集成本也據稱達到 1,000 萬美元。上述兩部作品,也於今年艾美獎各拿到入圍 22 項與 21 項的好成績,為入圍數最多的前兩名作品,相較之下,Netflix 的 《王冠》 只入圍了 13 項,但可別忘了 Netflix 是總入圍數最多的贏家,其他獎項,則是由另外 40 個作品拿下,證明了 Netflix 投資於各類型題材的模式。

Netflix 的影片推薦系統,讓你可以無腦挑影片

一旦擁有上千種可滿足各類用戶的優質內容,Netflix 另一件重要的任務,便是用更有效率的方式,把適合的內容,推薦給有興趣的人。精準內容推薦並不是一件新奇的事,Amazon、Facebook、Google 都是藉由用戶歷史行為資料,來推薦商品或產出個人化頁面,以優化使用者體驗。但這件事對 Netflix 尤其重要,因為在使用影音串流平台時,用戶並沒有很明確的目的要購買商品或搜尋資訊,大多數的時候,是漫無目的尋找能打發時間的內容,要是 Netflix 無法在短時間內精準推薦用戶喜歡的影片,用戶很容易就被別的平台或傳統電視吸引走。根據 Netflix 2015 年發表的文章,80% 的用戶觀看時數都是靠推薦而來的,也佐證了這一點。

為了滿足口味各異的用戶們,Netflix 一直致力於優化推薦演算法。在過去,Netflix 試圖去預測每個用戶對於每部影片的評價 (分數 1-5),藉此推薦用戶可能有興趣的內容。不過隨著 Netflix 掌握更多用戶行為資料 (包括用戶觀看的內容、使用設備、觀看時間、觀看頻率、觀看地點),現在更以機器學習 (Machine Learning) 來建立推薦演算法,以捕捉更多 rule-based 演算法可能漏掉,但對預測喜好相當有幫助的重要資訊,例如:觀看影片的順序、不同因素之間的交互作用。

讓 Netflix 演算法來推薦最合你胃口的影片內容

有使用 Netflix 的人都知道,Netflix 的首頁是由不同主題的影片列組成的,這些主題選擇、影片挑選、排列順序背後便是由不同的演算法驅動:

  • Personalized Video Ranker, PVR (某類型影片):推薦你喜歡的影片類型
  • Top-N Video Ranker (最佳推薦):推薦你喜歡的影片,和 PVR 的差別在於這邊沒有類型的限制
  • Trending Now (現正熱播):依據當下熱門話題,如聖誕節慶,推薦你喜歡的影片類型
  • Continue Watching (請繼續觀賞):推薦你可能會想繼續觀看的影片
  • Video-Video Similarity (因為您觀賞過 …):推薦用戶可能會想看的類似影片
  • Page Generation:最後,將上述演算法排序出最適合你的的個人化首頁

上面的演算法看似很多種,不過大致上可以歸結為兩類:Content-based filtering 與 Collaborative filtering method。簡單來說,前者是根據影片本身特性,找出類似影片並推薦給用戶,後者則是先找出喜好類似的用戶,藉此判斷 A 可能會喜歡 B 看過的影片。關於詳細的演算法判斷流程,有興趣的人可以參考 CS50 的影片。

AI 演算法除了應用在推薦影片,不知道大家有沒有發現,其實 Netflix 還會依照個人興趣,來客製化電影圖像!就拿《黑色追緝令》這部片來說好了,如果用戶 A 曾看過較多鄔瑪舒曼的電影,則演算法會判斷 A 是鄔瑪舒曼的粉絲,因此會呈現在電影海報上;同理可證,如果 B 用戶是約翰屈伏塔鐵粉且看了很多他過去的作品,那麼演算法當然會用約翰屈伏塔來吸引 B 用戶。

Netflix 連電影圖像都為你客製化 (圖片來源)

擔任 Research and engineering director 的 Justin Basilico 在受 NVIDIA 訪問時提及,公司透過 A/B test 來不斷優化推薦演算法,而由於推薦系統的成效短期內難以衡量,因此 Netflix 鎖定的是長期指標,如:用戶每天觀看時數、某段期間觀看天數。

推薦系統在全球化時遇到的挑戰

由於 Netflix 的服務地區涵蓋 190 個國家,用戶多達 1.3 億,用戶觀看影片的喜好受到各種因素影響,因此在設計推薦系統時,也面臨了許多挑戰

首先,由於某些內容供應商在與 Netflix 談授權時,會限制該影片只能在某地區,或某段期間上架,因此部分國家的用戶無法觀看這些影片,而演算法便會因此判定這些用戶對這些影片沒興趣。又或者是,A 影片的授權期間只有一個月,B 影片的授權期間長達一年,而造成 B 影片的觀看次數較 A 高出很多,此時演算法也會判斷 B 影片的熱門程度較 A 高,以上狀況都會造成演算法誤判用戶的喜好。

另外,Netflix 用戶橫跨這麼多國家,每個地區的文化習俗、語言又不盡相同,因此 Netflix 在設計推薦系統時,也須特別考量到用戶的所在地與熟悉的語言。譬如說,印度用戶可能會較偏好寶萊塢電影。語言方面,由於多數的用戶,可能會偏好觀看自己熟悉語言的電影,因此系統也應該要納入這些因素來設計演算法,但問題是系統並無法取得用戶熟悉哪些語言的資訊,因此只能靠用戶過去觀看行為來判斷。

為此,Netflix 也持續增加推薦演算法考量的因素,包括影片能上架的地區 / 時段、用戶所在地、用戶看過影片的語言,藉此不斷優化推薦演算法的精準度。

總結來說,由於用戶對於觀影這件事通常有獨特偏好,因此即便是後進者,只要能掌握觀眾喜好,都有機會趁勢而起,Netflix 便是靠著許多優質小眾內容,抓住長尾市場而崛起。不過,當各家串流影音業者,例如 Hulu、Apple、Disney 也都狹著雄厚資金與原創內容加入戰局,未來誰將在這場戰役中勝出,目前下定論都過早。

唯一能確定的是,如果影音平台能藉由推薦系統,精準地將內容呈現給最適合的觀眾,必定能大幅提升用戶觀影體驗,如此一來,用戶也就有更大的誘因繼續留在平台上,而不會輕易被新進業者的低價促銷或大製作內容吸引走,這不僅是訂閱制影音平台的護城河,也是在消費性領域投入 AI 創新最重要的原則之一。

想要了解更多有關 AI 創業與創新的資訊,歡迎加入 AppWorks 粉絲專頁

Photo: Pexels