Netflix: quando i dati diventano parte integrante del prodotto

Condividi questo articolo con chiunque pensi possa trovarlo utile
Tempo stimato per la lettura: 7 minuti

Netflix :Quando i dati diventano parte integrante del prodotto

 

Oggi vedremo come una delle più famose e grandi aziende tecnologiche dei nostri tempi sia riuscita a trasformare un mercato e fatturare miliardi di dollari grazie all’uso corretto dei dati. Sto parlando di Netflix.

Ormai tutti noi conosciamo ed utilizziamo quotidianamente questo servizio regalandogli molti dei nostri momenti liberi e dedicati allo svago.

Che ha di speciale? Conosce perfettamente i gusti dei propri clienti e gli offre un servizio che propone film che potrebbe piacere a quel cliente specifico.

Come? Sfruttando in maniera perfetta la mole dati che ha a disposizione e in questo articolo scopriremo come.

Come la maggior parte delle aziende usa oggi i dati a sua disposizione

Le aziende hanno un’infinità di dati nei propri database. Una miniera d’oro spesso troppo poco valorizzata.

È come avere un grandissimo giacimento petrolifero nel giardino di casa e cercare la pompa di benzina che costa meno. Sto esagerando?

Purtroppo no! Sono un consulente di Business Intelligence e quotidianamente aiuto aziende a prendere decisioni migliori trasformando i dati in informazioni (scopri qui Chi sono).

O almeno è quello che vorrei fare, ma nella pratica molto spesso i miei interlocutori non apprezzano fino in fondo le potenzialità delle informazioni che possono trarre dai propri database.

Questo accade almeno per un paio di motivi:

    • Problemi legati alla struttura organizzativa dell’azienda
    • Business Intelligence vista come uno strumento per capire cosa è successo e non cosa succederà

Vediamo i due punti prima di capire come Netflix usa i propri dati.

Problemi legati alla struttura organizzativa dell’azienda

 

Partiamo dal presupposto che purtroppo ancora oggi moltissime aziende prendono decisioni senza utilizzare sistemi di reportistica e analisi dati. Questo si verifica soprattutto nelle aziende medio-piccole e porta molto spesso ad errori e previsioni sbagliate.

Le aziende che solitamente riescono a strutturarsi per gestire un processo interno di analisi dati e business intelligence (se ti sembra una parolaccia, leggi questo articolo: Cos’è la Business Intelligence e perchè serve alla tua azienda ) sono aziende medio-grandi.

Questo spesso è contemporaneamente un bene e un male perché se da un lato l’azienda è stata così illuminata dal definire e standardizzare un processo di raccolta ed analisi dati, dall’altro si verifica un fenomeno molto comune.

Chi legge il report non sa come questo sia stato costruito né ha la visione funzionale del processo. E’ un ingranaggio di un meccanismo molto più grande e si limita ad eseguire “il compitino” di fare l’analisi che gli è stata assegnata.

Inoltre è prassi comune che i diversi reparti aziendali non facciano fronte comune ma lavorino come enti autonomi e separati dagli altri dipartimenti. Per cui ogni reparto ha le sue informazioni e i propri dati che non vengono centralizzati.

Per tale ragione a queste aziende manca un altro step per diventare davvero aziende data driven che è quello di centralizzare le informazioni e creando reportistiche condivise che riescano a dare un quadro d’insieme completo ai manager che devono prendere decisioni.

In quest’ottica diventa essenziale un cambio di paradigma ed un cambio di mentalità che parta dall’alto.

Business Intelligence vista come uno strumento per capire cosa è successo e non cosa succederà

 

Un altro problema è legato al fatto che gli strumenti di Business Intelligence sono stati per molto tempo strumenti che raccoglievano e classificavano i dati. Con questi dati venivano fatte analisi che avevano il compito di indagare cosa fosse successo nel passato ( più o meno prossimo).

L’obiettivo quindi era  quello di controllare l’andamento dell’azienda con un occhio rivolto sempre a “ieri”.

È da un po’ di anni che si parla ormai di big data  e di machine learning e queste parole hanno/stanno rivoluzionando il mondo della business intelligence introducendo un concetto nuovo, ossia quello delle analisi predittivie.

Analisi cioè in grado di prevedere un comportamento futuro in base ad una grandissima quantità di dati immagazzinati.

Con i più sofisticati e moderni tool di Business Intelligence (come ad esempio SAP S/4 embedded, SAC ecc) è possibile infatti fare previsioni molto attendibili su eventi ed andamenti futuri.

Un esempio potrebbe essere quello di riuscire a definire in anticipo cosa e quando  comprerà un cliente ricorrente. Questo accade in quanto vengono normalizzati molti dati storici, si cerca un pattern di comportamento ossia un “minimo comun denominatore” a questi dati ed in base a questo si prevede il comportamento futuro.

Ovviamente non sto dicendo che la visione classica della Business Intelligence sia ormai da buttare, anzi. Gli strumenti di analisi dati sono fondamentali anche quando si tratta di analizzare un andamento nel presente o nel passato perché ci danno il polso della situazione, evidenziano problemi, possibili cause scatenanti e portano a prendere decisioni risolutive.

Tuttavia questi nuovi strumenti predittivi, accoppiati a quelli di BI classica, aggiungono un importante freccia all’arco delle aziende.

Caso Netflix

Ma cosa centrano tutte queste premesse sui dati con Netflix?

Netflix non è semplicemente il sito a cui mi collego per guardare le mie serie tv preferite?

Si, Netflix è esattamente la piattaforma dove guardare le mie serie tv (e film) preferite. I grassetti nell’ultima frase non sono casuali ma cambiano completamente il senso della frase e del successo di Netflix stessa.

Il suo valore sta nelle migliaia di titoli che ha a catalogo? Si certo, ma non solo!

Siamo tutti pigri e svogliati, non ci piace cercare e quando abbiamo finito una serie tv spesso non sappiamo cosa altro guardare.

Se la piattaforma non ci aiutasse a scegliere, la nostra esperienza da utenti ne risentirebbe tantissimo e molto probabilmente tra una serie e l’altra il rischio di abbandonare la piattaforma “perché non c’è niente di interessante” salirebbe.

Questo provocherebbe un elevato churn rate (tasso di abbandono) da parte degli utenti che quindi dopo un po’ disattiverebbero l’abbonamento.

Il flusso di cassa di Netflix diminuirebbe e quindi non avrebbe capitali a sufficienza per aggiungere nuovi titoli al catalogo e piano piano sarebbe destinata al fallimento.

Ma tutto questo non succede, anzi la piattaforma riesce  a tenerci incollati per ore ed ore ( si stima che si passino circa 600 h/anno su Netflix, il che vuol dire in media 50 ore al mese!).

Nel tempo si è addirittura creato il fenomeno del binge-watching che è quel fenomeno per cui c’è gente che guarda un’ intera stagione di una serie tv ( o anche più) in una serata, restando incollata alla TV ( o meglio a Netflix) per ore e ore consecutive.

Ovviamente se Netflix non avesse contenuti interessanti da guardare, nessuno pagherebbe un abbonamento né regalerebbe il bene più prezioso a sua disposizione (il tempo) a questa piattaforma.

Ma se avesse migliaia di contenuti sparsi senza un ordine e noi dovessimo cercarli e scovare qualcosa di interessante, sarebbe molto simile ad un enorme libreria, impolverata e poco visitata.

Fasi di attenzione dell’utente Netflix

Ripercorriamo un attimo le fasi che un utente percorre all’interno di Netflix con un grafico

Ovviamente la fase in cui dedichiamo maggiore attenzione e tempo a Netflix è durante la visione della serie tv (o del film), ma appena questa finisce la nostra soglia di attenzione scende a livelli minimi.

Abbiamo avuto un esperienza positiva, siamo soddisfatti della piattaforma  e quindi non vogliamo abbandonarla ma non siamo stimolati a rimanergli attaccati, proviamo a cercare qualcosa di interessante in maniera abbastanza svogliata e….

In quel “e” si racchiude l’intero futuro dell’azienda!

Se troviamo qualcosa che ci interessa velocemente, allora inizieremo a guardarlo e continueremo a dedicare tempo a Netflix (continuando a rinnovare di volta in volta l’abbonamento) ma se non è così usciremo dalla piattaforma.

Ci torneremo dopo un po’ e ricominceremo a cercare qualcosa nuovamente molto svogliati e se nuovamente non otteremo risultati, la probabilità di non aprire più la piattaforma diventa altissima.

 

Il futuro di Netflix è sul filo del rasoio ogni giorno ed ha a disposizioni pochissimi minuti (se non secondi) per conquistarci. Un bel problema.

Come ha risolto la cosa Netflix? Con i dati e adesso scopriremo come.

 

Il mio Netflix è diverso

Abbiamo finalmente capito che partita gioca Netflix tutti i giorni. Si contende tutti i giorni la nostra attenzione con competitor giganti ( i social network , google, Amazon ecc).

Per capire quanto è dura questa partita basta guardare a cosa succede su internet in un minuto:

E oltre a internet ci sono anche distrazioni che potrebbero venire dal mondo reale.

Ecco perché i pochi secondi che utilizziamo per scegliere se iniziare una nuova serie tv (o film) oppure passare a fare altro decidono il futuro di Netflix.

E la risposta di Netflix è stata quella di porsi un obiettivo:

consigliare il miglior contenuto ad ogni utente in base a quello che gli piace o potrebbe piacergli

Per farlo quindi ha dovuto personalizzare tutta l’esperienza della piattaforma per ogni utente.

Quando entro sul mio Netflix vedo cose diverse da qualunque altro utente che si collega al proprio profilo (in sostanza quello che succede anche con i social Network) e questo perché ha capito che la personalizzazione era l’unica strada perseguibile per permettere che ogni utente abbia contenuti interessanti per lui da vedere in qualsiasi momento.

 

Quando i dati diventano parte integrante del prodotto

Come è riuscita Netflix a dare questa esperienza unica e personale ad ogni suo utente?

Grazie ad un uso maniacale dei dati (ed un ottimo algoritmo basato sull’ intelligenza artificiale e machine learning). Possiamo dire che Netflix e i suoi algoritmi conoscono alla perfezione i propri clienti.

Ma proviamo a fare un po’ di reverse engineering per capire che dati hanno a disposizione e come li usano per conoscere i gusti dei propri utenti.

Partiamo da un presupposto e cioè che Netflix immagazzina tutte le azioni che effettuiamo sulla piattaforma.

Storicizza le informazioni su:

      • Quali film e serie abbiamo guardato
      • Per quanto tempo
      • Quali film e serie abbiamo finito e quali abbiamo abbandonato a metà
      • Quali serie abbiamo aggiunto alla nostra lista

 

Ovviamente prima di riuscire a “capire” i miei gusti, la piattaforma avrà bisogno di molti dati e che io inizi ad utilizzare la piattaforma per un po’.

Potrebbe accadere che io adori i polizieschi e non guardi mai i film d’amore, tuttavia una sera ho guardato un film sdolcinato con la mia dolce metà.

Se l’algoritmo si “fermasse” a sapere che ho visto un contenuto poliziesco ed uno d’amore mi proporrebbe con la stessa probabilità e frequenza le due tipologie di contenuti.

Nuovi clienti

All’inizio quindi l’algoritmo ha per forza poca precisione perché ha bisogno di immagazzinare molte informazioni per proporci man mano contenuti sempre più interessanti per noi.

Per questo motivo in una fase iniziale deve proporci qualcosa per scoprire i nostri gusti.

Ovviamente anche queste proposte non possono essere del tutto randomiche ma si devono basare su dati.

Il catalogo di Netflix raccoglie centinaia di migliaia di titoli e non può permettersi di proporne uno a caso.

Ed infatti non lo fa!

L’obiettivo è proporre il contenuto interessante al cliente interessato.

Ma se non conosce il cliente ( e i suoi gusti), conosce i contenuti e quanto interesse riscuotono sul pubblico.

Quindi ancora una volta si basa sui dati in suo possesso per scegliere ed inizia a proporre tre categorie di contenuto:

      • I contenuti più apprezzati dagli altri clienti in generale (i best seller)
      • I contenuti più apprezzati dagli altri clienti in quel periodo ( i titoli del momento)
      • I nuovi contenuti

Per ognuna di queste categorie cercherà di inserire titoli afferenti a categorie diverse per testare i nostri interessi.

Quindi volendo fare l’esempio banale, proporrà:

    • Best seller:
      • Uno d’amore
      • Un poliziesco
      • Un fantasy ecc

E così per ognuna delle macro-categorie.

Clienti fidelizzati

I clienti fidelizzati sono invece quegli utenti che hanno iniziato ad usare la piattaforma e quindi a fornire dati all’algoritmo.

Per questi clienti l’algoritmo continua ad avere sempre necessità di dati e per cui inizierà a proporre altri titoli affini con quello che gli abbiamo comunicato.

Nell’esempio di prima (mi piacciono i polizieschi ma ho visto anche un film d’amore), mi inizierà a proporre più frequentemente queste due tipologie di contenuti per capire cosa sceglierò di volta in volta.

Man mano  che continuo ad usare la piattaforma, l’algoritmo si accorgerà che ho visto moltissimi polizieschi e solo un film d’amore e quindi “capirà” che il mio interesse per i film d’amore è molto sporadico e quindi inizierà a propormelo di meno.

Questo non vuol dire che mi proporrà solo serie poliziesche perché proverà a capire se ho anche altri interessi ancora non espressi e lo farà sfruttando le categorie di titoli indicati sopra (i best seller, i titoli del momento, i nuovi).

Ma dopo tutta questa analisi sui gusti dei clienti manca ancora un pezzo fondamentale, che renderebbe vano tutto il resto.

Manca la raccolta dei dati sui titoli proposti.

Abbiamo detto che Netflix deve essere in grado di propormi serie poliziesche perché ha capito che mi piacciono.

Questo implica che per ogni titolo del suo catalogo deve essere in grado di definire:

    • a quale categoria appartiene
    • tutti i titoli affini (stessa tipologia, che sono piaciuti a persone con i miei stessi gusti ecc)
    • quante persone hanno visto con interesse quel contenuto (per sapere se è un titolo caldo) ecc

Da analisi dei dati a previsione del futuro

Fino ad ora abbiamo provato ad analizzare tutti i dati che Netflix raccoglie sul comportamento degli utenti e sul proprio catalogo.

Volendo vederla in un’altra ottica abbiamo capito come Netflix alimenti il proprio database.

Ma ovviamente la forza di Netflix non sta solo nel raccogliere i dati storici ed analizzarli per capire la soddisfazione dei clienti o quali categorie di titoli siano quelle più apprezzate e sui cui puntare maggiormente.

L’algoritmo ha la necessità di fare un passo in più ossia quello di riuscire a fare previsioni .

Deve riuscire a prevedere che in futuro mi interesserà continuare a vedere film e serie televisive affini a quelle che ho già visto ed apprezzato in passato.

Ogni giorno quindi Netflix raccoglie milioni di dati, li analizza in tempo reale, fa previsioni sugli interessi futuri degli utenti e propone loro i contenuti che gli interessano di più.

Questa si che è Business intelligence!

Conclusioni

Mettere il cliente e i dati al centro del prodotto ha permesso a Netfilx di diventare leader di mercato per il momento indiscusso.

Inoltre con questa struttura Netflix è riuscita a semplificare il processo di fruizione dei contenuti dei suoi utenti eliminando la fase più noiosa e complessa, ossia quella della scelta.

Ovviamente questo è un esempio di perfezione tecnologica e di processo quasi estrema, tuttavia ormai gli strumenti di BI hanno queste funzionalità e molte aziende  possono iniziare a guardare a Netflix non solo come un caso studio da ammirare ma anche come un esempio da provare a replicare

 

Condividi questo articolo con chiunque pensi possa trovarlo utile

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *