解析成功内容推荐的心理学
你有朋友或家人的电影品味和你一样吗, 如果他们推荐一个节目, 你知道你会喜欢的? 相反, 你是否有另一个朋友总是催促你看他们最喜欢的电视节目, 但你从痛苦的经历中学到，如果他们喜欢一个节目，那么它99%肯定会让你厌烦到流泪? 将我们自己的经验和假设应用于任何第三方建议是人类的本性. 流媒体制作的电影也不例外.
个性化推荐可以成为内容参与的强大驱动力——我们的一些客户已经看到了个性化rails的转化率提高了300%. 个性化的使用也在增加.
当我 采访了卡罗琳·卡罗多佐，个性化总监 & 欧洲天空探索频道, 她告诉我，在Sky的各种用户界面中，超过50%的铁轨是自动化或个性化的，而且这个数字一直在增加. 她还透露，Sky团队在内部将个性化称为“光环功能”,他们希望他是“安慰人，使人喜乐的人”,“对消费者而言”, 帮助他们找到他们已经知道和喜欢的内容, 但也有他们以前从未听说过的新材料，很快就会成为他们的新宠.
你的内容推荐是否符合标准?
但正如你不可能用同样的建议来针对所有的消费者, 你不可能在应用的所有不同领域都采用“一刀切”的方法. 匹配你的方法是很重要的, 还有你的算法, 你的目标受众和你的具体目标.
对于大多数流媒体服务, 他们在个性化方面的第一次实验是通过算法衍生的内容轨道，名为“推荐给你”.他们可能还会添加一个数据驱动的“最受欢迎”或“趋势”部分, 但通常不是针对每个用户个性化的. 即使在这里, 在这些第一步中，使用流媒体服务中已有的数据来最大化用户粘性, 有些微妙之处会影响你的成功率.
FOMO在行动
排上“最受欢迎”之类的标题,”“趋势,和“现在热门什么”的作用有点像在你的网上购物搜索中给产品打五星评级. 他们是“说服者”，告诉你某个系列或电影值得一试. 他们还会利用用户的“错过恐惧症”(FOMO)，因为他们所有的朋友都在谈论当前的热门节目. 但它们背后的数据模型应该略有不同.
对于大多数流媒体服务来说, “最受欢迎”一行是由纯粹的统计数据驱动的——即在过去7天或30天内浏览量最多的内容项目(取决于平均浏览者的访问频率)。. 对于一些流媒体服务, 这意味着前五个位置通常会被他们最热门的五集电视剧占据. 这对想要快速追到这部剧的粉丝来说是件好事, 但你需要为其他人制定不同的模式.
“趋势”应该包含更微妙的内容. 我们通常会向我们的客户推荐他们的趋势栏背后的模型是流行的 现在我们发现在最后3小时内测量效果最好. 这意味着如果你在中午访问应用程序, 你会看到一个非常不同的趋势部分(可能包括学前儿童节目和家庭装修节目)，而如果你在同一天晚上晚些时候访问，你可能会看到戏剧和更多面向成人的内容.
习惯的生物
“更多的 Like This”(MLT)和“Because You Watched”(BYW)是由内容到内容的数据模型驱动的. 用数据科学术语来说, 与生成推荐时使用的任何其他数据科学技术相比，您更加重视元数据相关性, 比如用户协同过滤.
MLT和BYW的设计都是为了在内容项目之间建立鼓舞人心的联系，帮助一个项目的粉丝找到更多主题相似的东西. 这些建议的理论依据是，人类是习惯的生物，在同一领域观看更多的内容会让人感到舒适. 我们家总是想看更多的黑色斯堪的纳维亚剧! 心态也很重要. 即使用户无法描述他们的心情, 他们知道他们去年喜欢的酷系列是他们追求的东西, 所以他们会寻找这样的东西来给他们一个安慰的拥抱.
该模型名称的选择取决于它在应用程序中的位置. MLT最适合深度内容页面. 如果用户单击 壮志凌云 页沉溺于一些怀旧，推荐的内容列表 像这样 可能会说服他们尝试新的东西，但在目录中令人放心的相似. 这扩大了观看范围，提升了您的服务的感知价值. BYW做同样的事情，但更适合于你的服务的主页或类型页面. 一排标题为“因为你看过《百家乐app下载》”的内容可以让随机浏览的人缩短他们的决策过程. 顺便说一句，我们倾向于以这个家庭最近看的三部剧为基础，并在两期之间轮流播放.
内容到内容推荐(MLT和BYW)对某些用户群体来说也不那么“令人毛骨悚然”. 当我们说一组节目与你已经看过的节目相似时, 我们的想法很容易理解. 然而, 对一些人来说, 流媒体服务可以“为你推荐一个节目”的想法有点挑战性. 他们可能会对“推荐给你”的rails有更愤世嫉俗的反应，可能会对内容到内容的推荐做出更好的反应，因为他们认为这些推荐侵入性较小.
拓展视野
《百家乐app下载》(RFY), 该模型应该较少关注元数据匹配，而更多地关注其他用户的行为. 这与FOMO关系不大，更多的是给用户推荐他们从未搜索过的东西, 但实际上发现非常有趣——而不是向只看园艺节目的人推荐恐怖电影!
您还需要考虑RFY在客户的页面旅程中所处的位置. 他们可能已经越过了英雄的旗帜, “最受欢迎”和“趋势”的轨道，以达到他们现在的位置. 所以，他们可能已经看到了所有大的、新的、闪亮的内容. RFY是关于探索你所拥有的适合个人的内容范围, 所以它不应该过于依赖于人气指标.
我们使用的数据科学术语是“协同过滤”.“RFY是让你的客户尝试他们通常感兴趣的领域之外的东西的好方法. 该模型可以确定，在观看某个特定园艺节目的人中，有相当大比例的人也观看了你目录中的几个家装系列, 例如. 选择RFY而不是MLT或BYW也将有助于保持你的应用看起来新鲜. 如果你只有少量的园艺展, 最终，元数据匹配将耗尽可供建议的新内容, 你的推荐开始显得陈旧了. 有了RFY，您可以跳转到库的其他部分.
所以，哪种方法最能提高用户粘性?
这个问题没有唯一的答案. 但是你可以在不同的场景中使用它们来解决不同的具体挑战. 如果使用得当，这些模型可以结合起来改善用户体验并增加用户粘性. 正如我警告过的 以前在美国，一些观众觉得“推荐给你”有点唐突. 其他服务在RFY和BYW上都取得了同样的成功.
我们可以根据我们使用其他流媒体服务的经验提出建议, 但真正知道最佳路线的唯一方法 你的 特定的受众是使用不同的模型和不同的标签进行广泛的A/B测试. 我们甚至有客户通过将应用中的内容栏从“Trending”改名为“What 's Hot Now”来略微刷新用户体验，从而大幅提升了用户粘性. 就像我在 本系列文章的开始推荐不可能是一个“设定了就忘了”的过程.
在下一篇文章中, 我将着眼于一个经常被忽视的应用领域，即个性化能够对用户“粘性”产生重大影响的后体验时刻. 如果你想了解更多，你也可以下载24i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.]
相关文章
OTT提供商正迅速意识到将用户推荐服务整合到他们的平台中所带来的好处. 然而，集成的两种主要选择都有缺点. 现成的解决方案可能会带来昂贵的成本, 但更便宜的定制部署需要合适的内部专业知识. 我们需要的是一种既能节省开支又能直观使用的中间解决方案, 同时提供重要的推荐服务，打动观众，并最终帮助留住他们.
2023年10月30日
个性化内容推荐是流媒体领域的一个热门话题. 将它们扩展到你的电子邮件和其他营销信息中是一种合乎逻辑的方法，可以增加你的应用的重复访问并抵消流失.
9月7日
元数据质量通常是任何流媒体服务希望通过有针对性的推荐来增加内容参与度的最大挑战. 机器学习能拯救我们吗?
8月30日2022
许多流媒体服务已经锁定了连续观看的情节内容, 通过自动播放下一集，让观众对他们最热门的剧集着迷. 但是，你是否在浪费一个在剧集结尾或观众看完非章节内容时推荐新内容的黄金机会呢?
8月22日2022
要想在流媒体领域获得病毒式传播，比流媒体平台开始一次性投放整季内容时，观众们第一次创造出“刷剧”这个词时要难得多. 但是如果, 即使在一个越来越拥挤的空间, 内容所有者和购买者可以使用数据来确定内容是否会吸引观众，或者是否值得一看就是一遍?
8月10日2022
更高的内容参与度是流媒体的圣杯. 更多的眼球关注更广泛的内容，这对于解决用户流失和增加广告收入是件好事. 但你应该把精力投入到哪里呢?是编辑策划还是数据驱动的推荐?
2022年8月9日
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?
2022年8月2日
提及的公司及供应商