โอ้วววว…Netflix แค่ได้ยินชื่อก็รู้สึกว่าค่ำคืนนี้ต้องยาวนานอย่างแน่นอน
กี่พันกี่ร้อยทีวีโชว์และภาพยนตร์ที่ถูกแนะนำให้กับผู้ชมแต่ละคนทำให้ Netflix ยังคงครองตลาดเจ้าแห่งสตรีมมิ่งออนไลน์มาตลอด (แม้ว่าช่วงที่ผ่านมานั้นมีเจ้าอื่นๆ เข้ามาแข่งบ้างทั้ง Apple, Disney และ HBO) มีสมาชิกทั่วโลกกว่า 180 ล้านคนในช่วงไตรมาสแรกของปี ค.ศ.2020 และถ้าใครก็ตามที่ใช้ Netflix อาจจะสังเกตเห็นสิ่งที่เรียกว่า micro genre ที่ถูกสร้างขึ้นมาแบบเฉพาะเจาะจงอย่าง ‘Emotional Mother-Daughter Dramas based on Books’ หรือ ‘Visually-striking Cult Horror Movies from the 1980s’ ที่มีมากถึง 27,000 แบบ (แต่ก็ขึ้นอยู่กับว่าผู้ชมอยู่ที่ไหนด้วยบาง genre ก็อาจจะไม่มีคอนเทนต์ในพื้นๆ ที่นั้นๆ) เพื่อจัดกลุ่มคอนเทนต์ให้ตรงกับความต้องการของผู้ชมให้มากที่สุด
ท็อดด์ เยลลิน (Todd Yellin) VP of Product Innovation ของ Netflix ได้เปรียบเทียบระบบแนะนำคอนเทนต์ Netflix เป็นเหมือนเก้าอี้สามขา ในตอนให้สัมภาษณ์กับ Wired ในปี ค.ศ.2017 ว่า “เป็นเก้าอี้สามขาประกอบด้วยสมาชิกของ Netflix, taggers ที่รู้จักคอนเทนต์เป็นอย่างดี และระบบ machine learning algorithms ที่เอาข้อมูลเหล่านี้มาประมวลทุกอย่างออกมา”
เป็นการรวมตัวกันระหว่าง machine learning, อัลกอริทึม และ ความคิดสร้างสรรค์ เพื่อหาคอนเทนต์ที่เหมาะกับคนดูแต่ละคน ดึงดูดให้ใช้เวลาชมนานขึ้น ในขณะเดียวกันก็นำเสนออะไรใหม่ๆ ที่น่าจะสนใจสำหรับคนคนนั้นเข้าไปให้รู้สึกสดใหม่อยู่เสมอด้วย
โดยระบบแนะนำทำงานโดยการเอาข้อมูลจากหลายๆ แห่งนั้นมาประมวลผลจนเกิดเป็น rows หรือ ‘แถว’ ที่เราคุ้นเคยกันดี โดยแถวหนึ่งก็จะถูกจัดให้เป็นหมวดหมู่ของตัวเอง ตามพฤติกรรมการชม หรือความสนใจของเรา (ซึ่งบางครั้งถ้ามีคนอื่นใช้บัญชีเราโดยไม่แยกโปรไฟล์ก็จะเห็นอะไรแปลกขึ้นมาด้วย อย่างเมื่อก่อนที่ภรรยาผมใช้โปรไฟล์เดียวกัน ก็จะมีซีรีส์เกาหลีขึ้นมาเป็นแถบทั้งๆ ที่ผมไม่ได้ดูเลย)
ในกรณีนี้อัลกอริทึมถูกวางมาเพื่อช่วยการทำงานของ machine learning ที่เรียนรู้และพัฒนาจากพฤติกรรมการชมของเรา (ในตอนแรกที่เปิดบัญชีใหม่ Netflix จะให้เราเลือกคอนเทนต์ที่ชอบและใช้มันเป็นฐานรากเพื่อเรียนรู้ต่อ) สิ่งที่เราเลือกชม ระยะเวลาในการชม เรตติ้งที่เราให้ ความคล้ายคลึงกันของผู้ชมคนอื่น ข้อมูลต่างๆ อย่าง genre, หมวดหมู่, นักแสดง หรือปีที่ฉายครั้งแรก นอกจากนั้นยังมีข้อมูลของเวลาไหนที่เราเข้าไปดูบ่อยๆ จากอุปกรณ์เครื่องไหน ฯลฯ หลังจากได้ข้อมูลเหล่านี้มาแล้ว machine learning ก็เอาไปปรับอัลกอริทึมแล้วก็แนะนำคอนเทนต์เหล่านี้มาให้เรา ยิ่งเราใช้เวลากับมันมากแค่ไหน อัลกอริทึมก็จะถูกอัพเดทให้สดใหม่มากเท่านั้น
“สิ่งที่เราเห็นจากโปรไฟล์คือข้อมูลเหล่านี้ เขาดูอะไร
หลังจากนั้นดูอะไร ก่อนหน้านั้นดูอะไร ปีก่อนดูอะไร
ช่วงที่ผ่านมาดูอะไรและเวลาไหนของวัน” -ท็อดด์กล่าว
ซึ่งประสบการณ์การใช้งานของ Netflix นั้นจะลื่นไหลหรือไม่ ก็คืออยู่กับอัลกอริทึมเหล่านี้ทั้งสิ้น เมื่อไม่สามารถโชว์ทุกอย่างที่มีในแค็ตตาล็อกได้ ก็ต้องสร้างระบบที่ ‘เลือก’ ได้เก่งและรู้ใจผู้ชมแต่ละคนมากที่สุด ซึ่งมันไม่เหมือนกับเว็บไซต์แนะนำตามเรตติ้งอย่าง IMDB หรือ Rotten Tomatoes ความชอบ (taste) กับ คุณภาพ (quality) ของคอนเทนต์นั้นแตกต่างกันอย่างสิ้นเชิง หลายคนอาจจะเรท ‘Black Mirror’ ว่าเป็นซีรีส์ที่มีคุณภาพและสนุกมาก แต่สำหรับคนที่ชอบหนัง ‘feel good’ หรือ ‘romatic comedy’ ก็คงไม่ได้สนใจอยากกดดูสักเท่าไหร่ เพราะฉะนั้นระบบแนะนำของ Netflix ต้องคำนึงและเข้าใจถึง ‘ความชอบ’ ของแต่ละคนมาเป็นอันดับหนึ่ง
ผู้ชมทุกคนจะถูกจัดให้อยู่ในกลุ่มตามความชอบต่างๆ ซึ่งการจัดกลุ่มนี้ก็จะมีผลกระทบกับระบบแนะนำของคนแต่ละคน ส่วนบนสุดของหน้าจอที่ดึงดูดสายตา แถวต่อมาที่เป็น genre ที่ไม่เหมือนกัน (คอนเทนต์ภายในแถวก็จะไม่เหมือนกันด้วยแม้จะเป็น genre เดียวกัน) ความคล้ายคลึงกันของความชอบระหว่างเรากับผู้ชมคนอื่นก็จะถูกเอามาผสมแลกเปลี่ยนกันด้วย อย่างสมมุติว่าผู้ชมคนหนึ่งชอบดูซีรีส์ x กับ y กับอีกคนหนึ่งชอบดู y กับ z ผู้ชมคนแรกจะได้รับการแนะนำซีรีส์ z และผู้ชมคนที่สองจะมี x มาโผล่บนลิสต์ของเขาด้วย
อีกวิธีหนึ่งที่ Netflix ใช้เพื่อทำให้ระบบแนะนำของพวกเขาสดใหม่และน่าสนใจคือ พยายามสอดแทรกคอนเทนต์ที่ ‘คาดไม่ถึง’ แต่ยังอยู่ในพื้นที่ที่ผู้ชมคนนั้นน่าจะสนใจอยู่ อาจเป็นคอนเทนต์ที่ก่อนหน้านี้ไม่เคยคิดมาก่อนว่าจะสนใจ โดยวิธีการก็คือ พวกเขาหาจุดเชื่อมโยงที่อยู่ในคอนเทนต์แต่ละอัน ไม่ใช่การมองแค่ genre ของคอนเทนต์นั้นๆ ด้วยการทำแบบนี้จะเป็นการนำเสนอสิ่งใหม่ๆ หรือเป็นการ ‘break the taste’ แต่ไม่ได้ไกลกันเกินไปนัก
Netflix ยกตัวอย่างผลลัพธ์ว่าวิธีนี้ก็ทำให้ 1 ใน 8 ของผู้ชมคอนเทนต์ซุปเปอร์ฮีโร่อย่าง Marvel ไม่เคยดูคอนเทนต์ในกลุ่มนี้มาก่อนเลยด้วย ยกตัวอย่างง่ายๆ อย่างคนที่ชอบดู Orange is the New Black ที่มีคาแรคเตอร์หลักที่เป็นผู้หญิงแกร่ง ซึ่งก็จะมีส่วนเกี่ยวข้องกับซีรีส์ เจสซิกา โจนส์ (Jessica Jones) หรือบางอย่างที่ไม่ชัดเจนอย่างมุกตลกแบบต้องใช้ความคิดนิดหนึ่งของ Master of None กับความตื่นเต้นของ Making A Murderer ก็จะนำมาซึ่งซีรีส์เกี่ยวกับเรื่องสืบสวนสอบสวนที่ตัวละครเจ้าเล่ห์ กวนๆ และไหวพริบดีเป็นต้น
ซึ่งเราต้องแยกข้อมูลที่เราหยิบยื่นให้กับ Netflix เป็นสองแบบ implicit กับ explicit โดย explicit data คือข้อมูลที่เราบอกแบบชัดเจนเช่นกดยกนิ้วให้ซีรีส์ พวกเขารู้ทันทีว่าคุณชอบเรื่องนั้น และ implicit data ก็เช่นการนั่งดูตอนต่อตอนจนเช้าสองวันติด Netflix ก็รู้แหละว่าเราชอบเรื่องนี้อย่างแน่นอน
ซึ่งข้อมูลแบบ implicit นี่แหละที่สำคัญ
ข้อมูลทุกอย่างที่เรารับชมจะถูกจัดเก็บเอาไว้แล้วเอามาผสมกับข้อมูลของคอนเทนต์บน Netflix อีกรอบหนึ่ง โดยข้อมูลของคอนเทนต์บน Netflix นั้นจะถูก tag ด้วยพนักงานที่เป็นมนุษย์ ที่นั่งดูคอนเทนต์ทุกอันเพื่อคัดแยก จำแนก และ tag ว่าแต่ละอันมีส่วนประกอบที่สำคัญอะไรบ้าง genre คืออะไร นักแสดงเป็นใคร สถานที่ดำเนินเรื่อง (ทะเลทราย, อวกาศ, ดาวเคราะห์, ป่าดงดิบ, ไทยแลนด์, road-trip ฯลฯ) หรือเป็นอาชีพ (ตำรวจฉ้อโกง, การเมือง, รัฐบาล ฯลฯ) หรืออารมณ์ความรู้สึก (รัก, อกหัก, ดราม่า, ครอบครัว, สุนัข ฯลฯ) และอีกมากมายจนเกิดเป็น micro genre ที่จำเพาะเจาะจงอย่าง ‘Visually-striking nostalgic dramas’ หรือ ‘Understated romantic road trip movies’
ท็อดด์อธิบายต่อว่า “เรารวมเอา tags เหล่านี้และพฤติกรรมของผู้ชม หลังจากนั้นก็ใช้ machine learning algorithms ที่ทำงานได้อย่างชาญฉลาดเพื่อดูว่าสิ่งสำคัญที่สุดคืออะไร อันไหนควรให้น้ำหนักมากที่สุด มันสำคัญขนาดไหนถ้าคนดูอะไรบางอย่างเมื่อวาน? มันควรจะมีน้ำหนักสองเท่า หรือสิบเท่าเทียบกับเมื่อปีก่อน? หรือเดือนก่อน? หรือถ้าเขาดูแค่สิบนาทีแล้วก็ปิดก่อนที่จะก่อนที่จะดูรวดเดียวจบสองคืนรวด? เราจะให้น้ำหนักมันยังไง? และนั้นคือตอนที่ machine learning เข้ามามีส่วนร่วม สิ่งที่เกิดขึ้นก็คือสิ่งที่เรียกว่า ‘taste communities’ ทั่วโลก ที่เป็นกลุ่มคนที่ชอบคอนเทนต์ที่คล้ายคลึงกัน”
ผู้ชมแต่ละคนอาจจะอยู่ในหลายกลุ่มได้
ซึ่งก็จะทำให้เครือข่ายของคนในกลุ่มนั้น
ขยายมากขึ้นไปอีกและแนะนำสิ่งใหม่ๆ
ให้คนอื่นๆ ไปในตัวด้วย
คริส อัลไวโน่ (Chris Alvino) วิศวกร Machine Learning ของ Neflix อธิบายว่าเหตุผลที่พวกเขาเลือกแสดงคอนเทนต์เป็นแถวก็เพราะว่ามันง่ายต่อการเลื่อนดูคอนเทนต์ต่างๆ ในแค็ตตาล็อคได้พร้อมๆ กัน โดยการรวมคอนเทนต์ไว้เป็นแถวๆ ใส่รายละเอียดของแถวนั้นเอาไว้ว่ามันคืออะไร เลือกออเดอร์ของแถวว่าจะโชว์อันไหนก่อน ผู้ชมก็สามารถตัดสินใจได้ทันทีเลยว่าจะ ‘ข้าม’ แถวนั้นไปดูอย่างอื่นเลยไหม หรือจะ ‘เลื่อน’ เข้าไปดูให้ลึกเข้าไปอีกว่าในนั้นมีอะไรที่น่าสนใจบ้าง (โดยเบื้องหลังของ Netflix ก็ยังต้องมานั่งคำนึงถึงข้อจำกัดของอุปกรณ์ต่างๆด้วยเพราะว่าอุปกรณ์แต่ละอย่าง สมาร์ทโฟนแต่ละรุ่น ไอแพด คอมฯ ฯลฯ ก็ไม่เหมือนกัน) ความท้าทายก็คือว่าการกรุ๊ปคอนเทนต์เหล่านี้ไว้ด้วยกันยังไงให้น่าสนใจนั้นแหละ
อีกเทคนิคหนึ่งที่ Netflix นำมาใช้ช่วงที่ผ่านมาคือ การเปลี่ยนปก หรือ Artwork สำหรับผู้ใช้แต่ละคนด้วย โดยภาพปกนี้เองที่ช่วยดึงดูดให้เรากดคลิกเข้าไปดูมากขึ้น โดยการเก็บข้อมูลจากการรับชมของเราอีกนั้นแหละ โดย โกปาล ครีชาน (Gopal Krishnan) ได้เขียนอธิบายแบบละเอียดไว้ในโพสต์นี้ ซึ่ง Netflix เปิดเผยว่ารูปปกซีรีส์ ภาพยนตร์ของแต่ละคนจะถูกปรับเปลี่ยนให้เหมาะกับนิสัยในการดู ซึ่งรูปปกของแต่ละคนจะแตกต่างกันไป ขึ้นอยู่กับแนว และเรื่องที่คุณดูก่อนหน้านี้ เช่นภาพปกของภาพยนตร์เรื่อง Good Will Hunting ถ้าก่อนหน้านี้คุณดูหนังแนวโรแมนติก ภาพปกของคุณก็จะเป็นรูปตอนนางเอก และพระเอกโน้มตัวเข้าหากันเพื่อจูบ แต่ถ้าคุณชอบดูหนังแนวคอมเมดี้ ภาพที่โชว์ก็จะเป็นรูปของนักแสดงอย่าง โรบิน วิลเลียมส์ (Robin Williams) หรืออย่างคนที่ชมภาพยนตร์ที่มี อูมา เธอร์แมน (Uma Thurman) แสดงก็จะเห็นภาพปกของ Pulp Fiction ที่มีอูมาบนปก ส่วนถ้าเป็นแฟนของ จอห์น ทราโวลตา (John Travolta) ก็จะเห็นภาพจอห์นบนปกของ Pulp Fiction แทน
Netflix อธิบายเอาไว้ว่าถ้าไม่สามารถดึงดูดความสนใจของผู้ชมได้ภายใน 90 วินาที คนดูเหล่านั้นก็อาจจะเลือกไปทำอย่างอื่น (นี่ก็มาจากข้อมูลที่พวกเขาเก็บเช่นเดียวกัน) เพราะฉะนั้นยิ่งมีเวลาน้อยเท่าไหร่ รูปภาพจึงเป็นส่วนประกอบที่สำคัญมาก พวกเขาสร้างระบบทดสอบขึ้นมาว่าผู้ชมตอบสนองต่อภาพแบบไหนมากที่สุด
การสร้างหน้าแรกที่ดึงดูดผู้ชมทุกคนนั้นเป็นความท้าทายอย่างมาก มันเป็นจัดสมดุลระหว่างข้อมูลมากมายที่มีเพื่อให้ประสบการณ์การรับชมนั้นน่าสนใจมากที่สุด ทำให้เรารู้สึกว่าอยากเข้าไปเช็ค Netflix ว่ามีอะไรใหม่ๆ มาบ้าง เข้าไปแล้วนั่งดูได้เป็นชั่วโมงๆ โดยไม่รู้ตัว สิ่งที่น่าสนใจก็คือว่าคู่แข่งคนอื่นๆ จะสามารถทำได้แบบเดียวกับที่ Netflix ทำรึเปล่า? แต่ว่าถึงทำได้แล้วตอนนั้น Netflix จะเป็นยังไง? เพราะอัลกอริทึมของ Netflix นั้นมีการเปลี่ยนแปลงตลอดเวลา ทดสอบตรงนั้นทดลองตรงนี้ อาจจะไปไกลกว่าที่เป็นในปัจจุบันมากแล้วก็ได้ เพราะเรายังคงป้อนข้อมูล (ทั้ง implicit และ explicit) กันทั้งวันทั้งคืนด้วยการกดปุ่ม ‘play’ เพียงเท่านั้น
อ้างอิงข้อมูลจาก
