Eine Video-Empfehlungsmaschine

Der Kunde betreibt eine umfangreiche digitale Kinoplattform mit einer vielfältigen Sammlung von Filmen, Fernsehserien und Kurzfilmen. Nach einer gründlichen Analyse stellte sich heraus, dass die meisten seiner Benutzer im Vergleich zu Konkurrenzplattformen weniger engagiert waren und nicht viel Zeit mit dem Konsum von Inhalten verbrachten. Um dieses Problem anzugehen, entschied sich der Kunde für verschiedene Maßnahmen, darunter die Erweiterung der Inhaltsbibliothek und die Verbesserung der Empfehlungsmaschine. Da dem Unternehmen Fachwissen im Bereich KI/ML fehlte, wandte es sich an unser Team, um das Videoempfehlungssystem zu optimieren. Das Ziel bestand darin, den Endbenutzern relevantere Vorschläge für das nächste Ansehen zu bieten und dadurch ihre Verweildauer im System zu erhöhen.

Das digitale Kinounternehmen sah sich vor der Herausforderung, die Endbenutzer dazu zu motivieren, mehr Zeit mit dem Konsum von Inhalten über seine Plattform zu verbringen. Dies stellte eine bedeutende geschäftliche Herausforderung dar, die bewältigt werden musste, um die Kundenzufriedenheit und Umsatzzahlen zu steigern.

Der Kunde stellte fest, dass seine Sammlung von Inhalten nicht den Bedürfnissen und Vorlieben seiner Zielgruppe entsprach, was zu einer geringen Bindung und Engagement der Benutzer führte. Dies war ein bestimmter Bereich, der durch die Implementierung von verbesserten Strategien für die Beschaffung und Produktion von Inhalten angegangen werden konnte.

Nach einer anfänglichen Analyse erkannten unsere Fachleute, dass die vorhandene Empfehlungsmaschine zu rudimentär war und komplexe Segmentierungs- sowie Kundenverhaltensmuster nicht effektiv bewältigen konnte. Andersen strebte danach, ein wirklich innovatives, inhaltsbasiertes Empfehlungssystem zu schaffen. Die folgenden Schritte waren geplant:

Over-the-Top-Plattformen (OTT) gewinnen zunehmend an Popularität. Eine wachsende Anzahl von Verbrauchern verabschiedet sich vom traditionellen Kabelfernsehen und zieht stattdessen Streaming-Dienste vor. Dieser Trend wird voraussichtlich anhalten, und die Umsätze im Bereich OTT sollen bis zum Jahr 2025 auf 159 Milliarden US-Dollar steigen.

Die Anzahl der Streaming-Plattformen nimmt stetig zu, und Verbraucher werden zunehmend anspruchsvoller in Bezug auf die Auswahl der Inhalte, die sie konsumieren möchten. Dies hat zu einer steigenden Nachfrage nach personalisierten Inhaltsempfehlungen geführt, die auf individuelle Sehgewohnheiten und Vorlieben zugeschnitten sind.

Obwohl die dominierenden Streaming-Giganten wie Netflix, Amazon Prime Video und Disney+ weiterhin den Markt beherrschen, zeichnet sich auch ein wachsender Trend zu Nischenplattformen ab, die auf spezifische Interessen und Demografien ausgerichtet sind. Beispiele hierfür sind Crunchyroll für Anime-Enthusiasten, Shudder für Horrorliebhaber und BroadwayHD für Theaterfans.

Viele Streaming-Plattformen haben mittlerweile Verbindungen zu Social-Media-Plattformen wie Facebook, Twitter und Instagram hergestellt, um es den Benutzern zu erleichtern, neue Inhalte zu entdecken und zu teilen. Dies kann personalisierte Inhaltsempfehlungen beinhalten, die auf den Aktivitäten der Benutzer in den sozialen Medien basieren, sowie Funktionen zum Teilen in den sozialen Medien, mit denen man seine Lieblingssendungen oder -filme mit Freunden und Followern teilen kann.

Um im Wettbewerb zu bestehen, setzen viele Streaming-Plattformen stark auf die Produktion eigener Inhalte wie Filme, Fernsehsendungen und Dokumentationen. Zudem erwerben sie exklusive Vertriebsrechte für beliebte Titel. Das Hauptziel besteht darin, eine loyale Fangemeinde aufzubauen und sich durch die Bereitstellung einzigartiger und fesselnder Inhalte von der Konkurrenz abzuheben.

Es wurde beschlossen, dass die Ziellösung dieses Projekts für das Filmempfehlungssystem Folgendes umfassen würde:

Hauptkomponenten der Plattform:

Aus diesem Grund gibt es keine Gewähr dafür, dass diese Zuordnung tatsächlich nach dem Zufallsprinzip erfolgte. Die historischen Daten könnten daher willkürliche Verzerrungen aufweisen.

Das Team von Andersen hat die oben genannte Herausforderung in vier Schritten gemeistert:

In diesem Ansatz prognostizieren ML-Algorithmen die Wahrscheinlichkeit, dass ein Kunde eine bestimmte Aktion durchführt, indem sie aus historischen Daten Muster lernen. Im Kontext von Videostreaming-Plattformen könnte dies die Analyse der Sehgewohnheiten, Präferenzen, Bewertungen und anderer Faktoren eines Kunden umfassen. Das Ziel besteht darin, die Wahrscheinlichkeit vorherzusagen, dass der Kunde bestimmte Handlungen vornimmt, wie beispielsweise das Anschauen eines bestimmten Films oder einer Fernsehsendung.

Für jede Empfehlung von Produkten oder Dienstleistungen wird ein individuelles Vorhersagemodell erstellt.

Die Modellwerte, die sich daraus ergeben, werden anschließend so angepasst, dass einheitliche Wahrscheinlichkeitswerte entstehen. Diese Werte dienen der Klassifizierung der Videos für jeden einzelnen Kunden.

In der ursprünglichen Version verwendet jedes Modell denselben Klassifizierungsalgorithmus, wie beispielsweise Gradient Boost. Dieser Algorithmus wird auf Grundlage eines standardisierten Datensatzes trainiert, der demografische Informationen des Kunden, Interaktionen mit Produkten und Kundendienst sowie Produktkäufe umfasst.

Später werden die einzelnen Modelle optimiert, indem die Parameter abgestimmt werden.

Dieser Ansatz erweist sich insbesondere in dynamischen Umgebungen als nützlich, da er dem System ermöglicht, seine Empfehlungen in Echtzeit anhand von Kundenfeedback und anderen Signalen anzupassen und zu optimieren. Allerdings kann verstärkendes Lernen auch komplexer und rechenintensiver sein als überwachtes Lernen und erfordert möglicherweise zusätzliche Daten und Ressourcen, um effektiv zu funktionieren.

Durch A/B-Tests konnten wir datengestützte Entscheidungen darüber treffen, welche Funktionen wir der Plattform hinzufügen sollten und wie wir sie für eine optimale Benutzererfahrung optimieren könnten:

Zuerst mussten wir eine Annahme darüber formulieren, welche Änderungen wir testen wollten. Eine mögliche Annahme könnte beispielsweise lauten, dass eine Anpassung des Empfehlungsalgorithmus zu einem gesteigerten Benutzerengagement führen würde.

Daraufhin haben wir zwei unterschiedliche Versionen der Plattform erstellt, um sie miteinander zu vergleichen. Eine Variante integrierte den neuen Empfehlungsalgorithmus, während die andere den bisherigen Algorithmus beibehielt.

Anschließend war es erforderlich, eine repräsentative Auswahl an Benutzern zu treffen, um die verschiedenen Varianten zu testen. Diese Auswahl sollte ausreichend groß sein, um statistisch aussagekräftige Ergebnisse zu erzielen, jedoch nicht zu groß, um das Benutzererlebnis negativ zu beeinträchtigen.

Die Benutzer sollten zufällig in zwei Gruppen aufgeteilt werden, wobei die eine Gruppe Empfehlungen des neuen Algorithmus und die andere Gruppe Empfehlungen des alten Algorithmus erhält.

Es war notwendig, eine Metrik festzulegen, um den Erfolg jeder Variante zu quantifizieren. Diese Metrik konnte von der Klickrate bis zur Verweildauer der Benutzer reichen.

Die verschiedenen Versionen wurden anschließend implementiert und von unseren Experten an einer Gruppe von Benutzern getestet. Die Daten bezüglich der ausgewählten Metrik wurden erfasst und ausgewertet.

Abschließend haben wir die Daten analysiert, um festzustellen, ob es einen statistisch signifikanten Unterschied zwischen den beiden Varianten gab. Wenn der neue Algorithmus überlegen war, würden wir ihn auf der Plattform einführen. Falls nicht, würden wir die Tests fortsetzen, bis wir eine Verbesserung feststellen.

Für jeden dieser Schritte gibt es viele Methoden und Techniken, die verschiedene Abwägungen zwischen Komplexität, Annahmenbeschränkungen und Ergebnisqualität bieten. Andersen hat alle diese Optionen bewertet und eine Lösung entwickelt.

Die Umsetzung dieser Maßnahmen hat die Praktiken der Kundensegmentierung erheblich verbessert und ermöglicht es, relevantere Angebote zu empfehlen. Die erzielten Ergebnisse umfassen: