周日話題:《魷魚》熱賣 秘技就在S.Q.UI.D.

文章日期:2021年10月10日

【明報專訊】《魷魚游戲》在全球90個國家/地區高踞Netflix十大排行榜首位。今年9月28日,Netfliix聯合首席執行官薩蘭多斯(Ted Sarandos)聲稱《魷》「肯定會成為平台上最受歡迎的非英語節目」並且很可能是「我們有史以來最受歡迎的」。自1999年成立以來,Netflix從DVD影碟租賃服務成功轉型為互聯網娛樂串流媒體平台,大都依靠英語內容推動,從製作《紙牌屋》、《發展受阻》和《橙色是新黑人》等早期原創系列到最近的作品如《怪奇物語》、《王冠》和《女王的》開局。然而2016年開始,公司全力推動國際化,覆蓋「中國以外的所有地方」涉足190個國家,21種語言,擁有超過2億付費「會員」。

傳統地面電視網絡(即是Netflix口中的「線性電視」),正在跟全球性的影視串流服務(如 HBO、Amazon Prime Video 和 Disney+ 等)展開艱苦競爭。線性電視受制於固定時段和頻道的限制,還要每晚在黃金時段跟其他對手——按次付費的網上媒體、網上遊戲等爭奪觀眾。戲院亦同時受制於屏幕數量和時段的固定容量,同樣面臨苦戰。舊媒體的高管看來也是別無選擇,被迫參與另一個SQUID遊戲——一場以S(戰略)、Q(量化)、UI(用戶界面)和D(數據驅動決策)方面為新遊戲規則的生存遊戲。

Strategy戰略

自2007年推出串流媒體服務以來,Netflix一直沿用簡單的競爭策略,以固定月費讓會員無限制地觀看電視劇和電影。簡單的商業模式背後收入模型同樣簡單直接,依靠兩個主要的變量:付費會員數量及每個會員的平均收入(ARM)。變量背後的驅動因素同樣簡單:會員獲取率(acquisition)、會員保留率(retention)。

於是,Netflix的策略核心是保持會員穩固增長。2009年,Netflix在美國市場達到1000萬會員的里程碑,接下來的10年致力開拓國際市場,先後打進加拿大、拉丁美洲,然後是英國、愛爾蘭和斯堪的納維亞,繼而是西歐、澳新、日本。2016年Netflix同步拓展至130個國家,基本上覆蓋了全世界(中國除外)。

細心分析Netflix的年度財務報告可明瞭其國際化的原委。截至2020年底,Netflix在美國和加拿大(UCAN)的會員達7400萬,但年度增長僅9%。擁有6600萬會員的歐洲、中東和非洲(EMEA)地區的年增長率則為29%,而拉丁美洲增長率亦達19%。同年,亞太地區新增會員600萬,達到2500萬大關,年增長率為57%。

2021年的第二季度報告中,Netflix重申其策略目標——以內容種類和質素成為每個人的娛樂首選。自2019年來,Netflix在非英語內容上的投資增加超過一倍,報告中提及多部外語劇集的成功:Lupin(法國)在首月播放取得5400萬會員的觀看次數,Elite(西班牙)擁有3700萬和《誰殺了莎拉》(墨西哥)3400萬。儘管《魷魚遊戲》的成績令公司內部、會員和世界各地的觀眾均感驚訝,成功絕非偶然,而是一個按照明確戰略指令和內容開發政策為基礎的產物。

推動多語言內容的製作不止為提升非英語市場的用戶體驗和滿意度,Netflix管理層洞察到在全球範圍內利用其內容庫、數據架構和機器學習演算法的巨大機會。自2016年完成全球性覆蓋以來,Netflix發掘了橫跨地域界限的共同興趣社區。例如,一個身處阿根廷的科幻電影愛好者可能跟另一個印度科幻發燒友有更多類同的觀影偏好,而不是住在隔壁的食家。該公司的數據挖掘,顯示只有10%的動漫發燒友住在日本,其餘的都散佈各個國家。這些發現讓Netflix了解發放非英語內容的可能性和合理性。多元語言內容製作可以維持會員的滿意度,從而維持其收入並降低其成本。

Quantification量化

S.Q.UI.D中的Q是指以量化指標引導的內容創作。當中涉及數據分析、機器學習、用戶體驗方面的科學方法,亦包含在數據架構和人才上的大量投資。換句話說,Netflix有效地運用了數據科學來決定創作內容和方向,從而最大化用戶的幸福感、滿意度和留存率。《魷魚遊戲》推出以來面對不少批評,指其缺乏原創性,甚至抄襲日本動漫的橋段或分鏡。被指抄襲的對象,由威廉戈爾丁的小說《蠅王》、《飢餓遊戲》、《大逃殺》、《使女的故事》,到獲得奧斯卡獎的《上流寄生族》,或另一套Netflix原創劇《今際之國的有栖》,沒完沒了此處不贅。

然而,Netflix正正是遵循行業規範來制訂內容決策,每逢開拍新電影或劇集前,管理層總會考慮兩個關鍵問題:

.哪些現成劇目具有可比性以及在哪一方面的可比性?

.預期的觀眾規模是多少以及在哪些地區?

過去,電影製片廠的高管或創作人員總會憑自己的經驗,把新戲比喻為暗黑版、青春版、科幻版什麼什麼的描繪來推銷。隨着Netflix不斷擴充片庫,同時蒐集會員觀賞行為的數據集,其演算法程式可以使用更複雜的技術來幫助解答這些問題。

Netflix現時採用遷移學習(Transfer Learning)技術,即是一種統計建模方法,使一組程序或「機器」首先儲存一個關於前設問題(「原始任務」)的知識(例如特定模式或關係),然後再將這些知識應用於解決另一個單獨而相關的問題(「目標任務」)。舉例而言,遷移學習可以訓練一組演算法,首先從圖像庫中識別汽車,繼而學會識別卡貨車。

Netflix應用的遷移學習鏈,主要用於解決上述兩個目標任務——「可比劇目」和「觀眾規模」。首先要解決的原始任務,則需要輸入大量Netflix片庫內舊有劇目的數據,例如:

.標題元數據(metadata):年份、導演、演員、評級、系列、電影

.標籤或文字摘要:流派、場景、視覺效果、時段、情緒、語氣、性暗示、血腥、愛情水平、情節結論性、主角的道德操守等。

遷移學習首先從一個人手過程開始,Netflix僱用一群外判員工,把超過1000個類別的標籤中,逐部逐段(甚至是每個分鏡)嵌入每部電影和電視。截至2014年初,Netflix使用標籤和文本摘要的組合,已創建76,897個微流派,直至今天其分類之仔細可想而知。

《魷魚遊戲》亦是根據角色、故事情節、場景、情節、情緒、樂譜等參數聯繫大量類同的劇目。正如Netflix前高層Cindy Holland所說,這些分析「有助我們預測受眾規模的閾值,看看它是否適合我們的可行項目」。

User Interface用戶界面

S.Q.UI.D中的UI指用戶界面,可能是整個「秘方」中最易為用戶觀察的元素U。I底下卻是Netflix致力塑造專有用戶體驗(user experience)的推薦程式(recommender system)。該系統通過主頁設計呈現,影響平台上約80%的會員活動,最終功能是確保每人都能在60至90秒內找到一部有趣劇目觀看。

Netflix早期的用戶界面是靜態的,它的推薦程式充其量只能預測某成員給予某電影提供的1至5星評級。今時今日,Netflix掌握大量數據,包括會員現在和之前觀看的內容、時間以及觀看方式(設備、持續時間和強度)。結合用戶在外部平台上的社交數據,Netflix的演算法便能預測用戶最有可能觀看的下一個劇目。

Netflix的主頁通常排列為40×40或40×75的劇目清單矩陣(因設備而異)。每行的影片選擇都是由單一演算法生成。背後發揮作用的是5種主要類型的演算法,為會員提供不同的導航路徑:

.個性化視頻排名器(PVR)

.十大排行榜Top-N Video Ranker

.熱播榜Trending Now

.繼續觀看

.相似度

從數據庫中篩選出候選劇目後,Netflix的推薦程式必須優先選擇10,000多行中的40行。這種優先排序通常基於以下標準:

.準確性:正確獲取成員想要的東西

.多樣性:在本地和全球範圍內提供各種新穎時尚的選擇

.可訪問性:記住用戶上次觀看時離開的地方

.穩定性:記住用戶每次登錄時的導航模式和偏好

了解Netflix推薦程式如何以用戶界面呈現的方式,便能意識到《魷魚遊戲》的全球性成功並非僥倖,當中十大排行榜的推出更是居功至偉。當初決定推出排行榜,目的就是幫助會員分享他們的經驗並相互聯繫,繼而提高他們在Netflix的留存率。Netflix的首席營運官兼首席產品官Greg Peters如此評論:「Top 10是個很好的例子,世界上有些人將受歡迎程度視為一個重要信號。他們渴望成為社交對話的一部分。」見證過劇目Bridgerton的成功,Netflix肯定了「這種對話影響了更廣泛的人群,甚至乎是非Netflix的成員。」《魷魚遊戲》的瘋傳,再次印證機器學習如何通過用戶體驗設計推動社交對話,從而使劇集更流行。

Data-Driven Decision making數據驅動決策

S.Q.UI.D 秘方中最後一塊是Ds,既代表數據,也代表決策。以往大型企業的決策或由高層定斷,也可能由設計、產品管理、用戶體驗和技術專家的團隊共同制訂,甚至是跟隨競爭對手。然而,Netflix自建立以來便強調使用科學方法、A/B 測試和數據分析。

今時今日,全球各地的電視觀眾習已為常的煲劇模式binge watching,對於歐美的電視台而言實是打破常規的做法。Netflix一次過上載整季劇集的做法,背後得到數據支持。

它們的數據分析顯示,大約一半用戶會在一星期內完成整季劇集。以一套13集連續劇為例,四分之一的觀眾更是在兩天內「煲完」。這樣的「煲劇模式」卻是顛覆了電視台固定節目長度和特定廣告時段的行業慣例。凱文.史派西(Kevin Spacey)評論《紙牌屋》時稱 ,Netflix鼓勵了創作「一個複雜而多層次的故事,當中包含複雜的角色,隨着時間推移,他們會揭示自己和需要空間發揮的關係」。

為改善用戶體驗,Netflix 採取開創性的措施,對劇目在主頁版面上的圖像進行A/B 測試:他們將圖像分解為顯示圖稿、標題、字體類型和顏色等元素,進行不同組合的測試,以衡量用戶參與度在各項變量上的差異,例如點擊率、總播放時長、觀看內容的比例等。

圖像上具有誇張的面部表情、或兩極分化的角色,都可以吸引用戶瀏覽,讓他們更快地做選擇。走筆至此,大家也許頓時明白《魷魚遊戲》老是突出男主角 「成奇勳」尷尬的笑臉,又或是女主角「姜曉」呆板空洞的厭世嘴臉。這些圖像看似微不足道,但通過演算法生成的主頁,配合各項推薦程式,積少成多地提升用戶體驗,有助令劇集高踞全球熱播的榜首。

結語——娛樂平台的生存遊戲

Netflix認為目前還是「從線性娛樂(linear entertainment)向點播消費過渡的初期」,因為串流媒體僅佔美國電視屏幕時間的27%,其餘63%仍用於線性娛樂上,尤其是Netflix僅佔美國觀眾總電視屏幕時間的7%。公司一方面稱讚其他串流服務供應商,例如迪士尼、HBO、BBC等競爭對手,同時提醒舊媒體線性網絡的製作人和決策人面臨的巨大挑戰。

《魷魚遊戲》的成功顯示,掌握數據運算、操控和應用的重要。要在數碼化和全球化的環境中參與這場內容創作的大型遊戲,所有參賽者都需要在數據架構和串流媒體能力建設上蒐集大量資金,並具備協調工程、數據分析、機器學習、用戶體驗、數碼營銷、內容開發等跨學科人才。看來,這又是另一款場注極高但倖存者寥寥的生存遊戲。

(原文以英文書寫,作者再翻譯成中文刊登,是故句式及組織嚴重歐化,作者謹此致歉)

參考:

.Netflix Technology Blog, “Supporting content decision makers with machine learning,” December 10, 2020.

.Netflix Technology Blog, “Selecting the best artwork for videos through A/B testing,” May 3, 2016.

.Carlos A. Gomez-Uribe and Neil Hunt, “The Netflix Recommender System: Algorithms, Business Value, and Innovation,” ACM Transactions on Management Information Systems 6 (4), January 2016, pp 1-19.

.David Chong, “Deep Dive into Netflix’s Recommender System: How Netflix achieved 80% stream time through personalization,” towards data science, April 30, 2020.

文˙奇夫

編輯•劉子斌

fb﹕http://www.facebook.com/SundayMingpao