2022年8月2日
By Damien读高级副总裁-数据产品
博客

流媒体战争的新时代已经到来，这场战争正变得个人化

在激烈竞争中, 流媒体服务正在寻求新的个性化策略来增加内容的参与度, 解决生产, 增加广告收入, 并鼓励用户返回他们的应用程序. 流媒体服务应该使用哪些新兴的数据驱动方法来提升其内容发现用户体验?

流媒体服务正感受到竞争加剧的压力，这已经不是什么秘密了, 以及全球家庭预算的通胀压力. 流媒体之战已经演变成一场持续不断的争夺客户留存率的激战. 当谈到让用户相信流媒体服务的价值时, 内容参与是新的王者.

用户流失一直是订阅服务面临的挑战，但当就连Netflix也开始转向广告赞助的选择，你知道现有的减少流失的方法是不够的. 基于广告的商业模式带来了自己的客户留存和内容发现挑战, 当然, 问问那些引领当前免费广告支持流媒体电视潮流的服务就知道了。.

人际接触值得付出努力

那么答案是什么呢? 添加越来越多的内容是件好事，但随后消费者会发现自己的选择太多了. 帮助他们尽快找到有吸引力的东西是至关重要的. 根据用户的观看历史来推荐内容是缩短流媒体用户浏览内容时间的好方法. 这是对已有数据的合理利用, 这对客户满意度有很大帮助, 不管是什么商业模式.

想要证明个性化真的可以改变局面? 来自我们自己客户的汇总数据表明了这一点, 平均, 与应用程序中具有个性化功能的部分进行交互的用户可以观看更长的内容, 与那些只与通用部分互动的人相比，他们会参与更多种类的个人内容项目. 我们的一个客户发现，当用户与推荐内容互动时，每个用户会话的平均内容播放数量增加了133%!

元数据加用户数据:推荐的艺术

流媒体服务面临的挑战是实现个性化并不是一件小事. 它既是一门艺术也是一门科学，需要元数据和行为洞察力的复杂结合. 元数据可以帮助你将一部犯罪剧与其他犯罪剧进行匹配, 或者一部汤姆·克鲁斯的电影和另一部他主演的电影. 另一方面, 行为洞察会告诉你，你的观众看过的唯一一部汤姆·克鲁斯的电影是 遥远的地方 从1992年开始，所以也许他们对历史浪漫更感兴趣而不是 使命:不可能的. 或者很大一部分观看你的新园艺节目的人也在观看一个特定的烹饪节目, 让它们成为交叉推广的理想选择.

个性化有什么新变化?

24i 订阅服务和广告赞助服务的兴趣是否正在以新的和新兴的方式激增，从而对他们的流媒体用户体验进行特定的调整. 这里有五个问题要问自己，以确定你的流媒体服务是否充分利用了现代个性化方法:

您是否使用数据来确定编辑派生内容的顺序?

算法推荐常常被编辑团队视为一种威胁. 我过去在天空的流媒体服务NOW TV(今天简称为NOW TV)工作 N OW), 我们经常看到编辑和数据团队互相发送邮件，看哪个表现更好. 这种“他们和我们”的态度是对天才的浪费. 如果你的编辑团队还没有充分利用数据科学的力量, 那么我的第一个也是最重要的建议就是尽可能快地开始.

的确，没有算法能像你的编辑团队那样了解你的内容(或你的具体业务目标). 当然，同样地，没有编辑团队能够单独了解每个消费者. 在一起，你会得到两全其美. 从你的英雄旗帜开始. 让编辑团队选择您想要展示的内容, 然后使用个性化算法，根据每个用户的浏览历史和最有可能吸引他们的内容，确定为他们显示内容的顺序. 这是一个快速的胜利，你会惊讶于它对你的参与产生的即时影响.

您是否考虑过在标记数据驱动内容部分的方式背后的心理学?

许多流媒体服务都有“为你推荐”或“趋势”轨道. 数据驱动部分的其他常见标题包括“最受欢迎”,“更像这样。,”“因为你在看,”等. 这些方法都可能取得成功，但有些方法在应用的某个部分会比另一个部分更有效. 虽然有些标题看起来可以互换相同的内容, 当它们与细微差别的数据集配对时，效果最好.

如果你对个性化是认真的, 您需要仔细考虑区段名称的心理影响，并确保它们既适合您的特定用户群，也适合您的目标. 专家的帮助和大量的a /B测试将帮助你找到适合你的服务和目标的最佳组合. 例如, 根据我们的经验，你应该为“最受欢迎”和“趋势”使用不同的算法模型.“同样, 当你想帮助用户发现新东西时，“推荐给你”的信息是最有效的. 在商业术语中, 这意味着鼓励用户从库中观看更广泛的内容.

你是否在利用“游戏后时刻”来鼓励更多的观看?

韦氏词典指出，“binge-watching”这个词最早出现在2003年. 在不到20年的时间里，它已经成为全球大部分人口的共同概念. 自动播放系列中的下一集是保持消费者使用你的服务的好方法, 这就是为什么它被各种尺寸的彩带广泛使用的原因. 然而，在这个系列的最后会发生什么呢? 或者在一部没有明显续集的一次性电影或纪录片的结尾?

太多的流媒体服务已经把所有的钱都花在了疯狂观看上，但仍然浪费了一个绝佳的机会，即在播放后为他们的非情节内容提供个性化的内容推荐. 如果你已经有了“因为你看了”的算法, 这应该是一个非常快速的胜利实施.

您的元数据是否经过优化以确保最佳的内容到内容推荐?

元数据是, 坦率地说, 在推荐方面，大多数流媒体服务面临的最大障碍. 我接触过的每一家公司都告诉我，他们希望提高元数据的质量，因为这是制作内容对内容匹配的好方法. 在这个领域，质量比数量更重要. 有一家公司自豪地告诉我们，他们有超过50个,000个不同的关键词, 但是，如果每个关键字只用于库中的一两个内容, 这如何帮助你找到相关的匹配呢?

没有什么灵丹妙药可以提高元数据的质量, 但我们已经通过使用先进的元数据预测模型(机器学习)为客户做出了重大改进。. 第一步是分析他们现有的元数据, 然后我们定义一个结构化的关键字框架——不要太多! 然后，机器可以填补空白，整理整个图书馆的关键字使用情况.

你是否将个性化从应用程序中引入到营销信息中，以推动重复访问?

无论你是想减少用户流失还是增加广告收益，通过营销信息鼓励现有用户记住你的应用都是很重要的一步. Integrating personalized content recommendations into those same messages takes you a step further; it gives the user a concrete reason to return. 如果你没有在邮件和推送通知中使用个性化的内容推荐, 那么现在是时候考虑一下了.

有很多变量需要考虑, 尤其是在你们交流的时间上, 但如果你做对了, 你可以看到很大的影响. 我们的一位客户进行了A/B测试，比较了普通电子邮件简报和包含个性化内容推荐的电子邮件的成功率. 收到个性化邮件的那一组的转化率高出了121%，令人瞠目结舌.

个性化是一个永无止境的故事

只有通过定期测试和改进才能确定适合流媒体服务的数据模型和算法的具体组合. 这就是为什么推荐不能是一个简单的“设置它然后忘记它”的过程. 它们需要持续的调优—尤其是因为您的内容库和用户群可能会随着时间的推移而变化. 这也是我们将个性化作为“托管服务”提供的原因，这样我们就可以持续工作，每个月获得增量收益，并根据内容和用户体验的变化进行调整.

接下来的几个星期, 流媒体将发布一系列进一步的文章，在这些文章中，我将更详细地分解上面概述的一些策略. 如果你等不了那么久，你可以看看我们的电子指南: 现在，每个流媒体服务都应该采用五种提高参与度的策略.

[编者注:这是来自 24i. 流媒体接受供应商署名完全基于它们对我们读者的价值.]