Как Netflix перепридумал бинджвотчинг

Принято считать, что именно data-driven-подход помог Netflix стать самым популярным стриминговым сервисом. Более 80% просмотров пользователей основаны на рекомендациях. Согласно блогу компании, все процессы в ней так или иначе основаны на аналитике данных: от служб безопасности до маркетинга, от цветовых решений в дизайне до взаимодействия с пользователями. По словам Тодда Йеллина, вице-президента по продуктовым инновациям, Netflix базируется на трех столпах: зрителях платформы, теггерах (тех, кто размечает контент по поджанрам) и алгоритмах машинного обучения, которые соединяют все данные вместе.

Сложно оценить, какие именно данные собирает Netflix. Что-то мы знаем точно: рейтинги, популярность сериалов и фильмов (даже в определенный день, час или среди определенной группы); количество и длительность просмотров; поисковые запросы; взаимодействия со страницей; метаданные об актерах, режиссерах, жанрах и т.п.; внешние данные (сборы, отзывы критиков); демографию, геолокацию и пр. О чем-то мы можем только догадываться. Например, предполагается, что к метаданным относятся даже такие характеристики фильма, как главные персонажи, концовка, цвета, громкость и т.д.

Такая датафикация, то есть перевод в данные тех показателей, для которых раньше это было невозможно (как предпочтения аудитории, способ просмотра и пр.), влияет не только на то, как мы смотрим фильмы и сериалы. Данные становятся источником знания об аудитории, что позволяет влиять на дизайн платформы, производимый контент и множество других решений, направленных на изменение поведения аудитории. Учитывая, что Netflix является лидером в своей сфере, эффекты этих процессов распространяются далеко за пределы платформы и, кажется, даже за пределы киноиндустрии.

Как Netflix перепридумала бинджвотчинг

Связь сбора данных и трансформации отношений между зрителем и контентом можно проследить на том, что так сильно ассоциируется с Netflix, — бинджвотчингом, то есть «запойным» просмотром нескольких эпизодов сериалов подряд. Несложно догадаться, что стратегия Netflix — не только привлечение максимального количества подписчиков, но и максимизация времени, которое они проводят на платформе. Бинджвотчинг сам по себе не новое явление. Ранее он был связан, например, с ТВ-марафонами сериалов, проводимых обычно в преддверии нового сезона. Бинджвотчинг также ассоциируется с DVD-сервисами, каким изначально и была Netflix. Они (как и стриминговые платформы) предлагают альтернативный телевидению способ просмотра. Зрители могут смотреть сериалы и кино в любое удобное им время, вне зависимости от расписания программ, — сам формат распространения уже предполагает возможность бинджвотчинга.

По результатам исследования Netflix совместно с антропологом Грантом Маккракеном в 2013 году 61% респондентов ответили, что регулярно бинджвотчат (смотрят 2–6 серий подряд). Netflix не «изобрела» бинджвотчинг, но «переизобрела» его. Компания опубликовала результаты исследования и провозгласила бинджвотчинг «новой нормой». Netflix стала активно использовать этот концепт в своих рекламных кампаниях, например предлагая хештег #letsbinge в социальных сетях или вводя в категоризацию фильмов «binge-worthy».

В то время как бинджвотчинг ассоциируется с нездоровым и антисоциальным поведением и сравнивается с потреблением фастфуда, Netflix в своих рекламных кампаниях описывала его как менее пассивный по сравнению с просмотром классического ТВ. Да, платформа всячески поощряет пользователей продолжить просмотр: после просмотра эпизода следующий начинается уже через 5 или 15 секунд в зависимости от устройства просмотра, а по окончании фильма платформа сразу предлагает к просмотру похожий. Однако в отличие от зрителей ТВ-марафонов, у пользователей стриминговых платформ больше контроля над тем, сколько, как и что они хотят смотреть.

Выпуская сериал не по серии в неделю, а сразу целиком, Netflix приоритизирует один способ просмотра над другим — в отличие от «классического» телевидения, она поощряет зрителя не вернуться для просмотра следующей серии или сезона, а посмотреть его весь сразу. Сериал предстает не как набор эпизодов, но как единое целое.

Оригинальный контент платформы чаще выстроен не как эпизодический сторителлинг, а как единый нарратив, рассказываемый в течение восьми-тринадцати часов. Такая структура устраняет также необходимость в инструментах, напоминающих зрителям о предыдущих эпизодах и событиях, а эпизод теперь не ограничен 21 или 42 минутами и рекламными вставками. Например, «Карточный домик» от Netflix имеет более медленную повествовательную экспозицию по сравнению с оригинальной версией, оставляя ключевые события на следующий сезон. Классический клиффхэнгер, который должен вернуть зрителей обратно, оставлен на последний эпизод сезона. Кроме того, само по себе решение о покупке сериала было основано на данных о пользователях. Зрителям оригинального сериала BBC на платформе нравились фильмы Дэвида Финчера и те, в которых сыграл Кевин Спейси. Netflix предположила, что он будет популярен у аудитории, и приобрела сериал даже без пилотного эпизода.

Решения, основанные на данных, в случае Netflix влияют не только на (не)производство продукта, но и на сам продукт, например кастинг в случае «Оранжевый — новый черный». Режиссер сериала «Маньяк» Кэри Фукунага отмечал, что представители компании комментировали процесс создания, указывая, что зрителям скорее понравится, а что нет, как это обычно делают продюсеры, но «разница в том, что у Netflix есть данные».

Рекомендательные алгоритмы как культурные эксперты

Как уже упоминалось, зрители платформы в основном выбирают фильм или сериал для просмотра на основе предлагаемых рекомендаций. Рекомендательные алгоритмы основываются на сходствах между как пользователями, так и сериалами. После просмотра фильма платформа предложит вам не просто похожие ленты, но ленты, которые смотрели зрители с похожими предпочтениями. Персонализируются не только сами фильмы в рекомендациях, но и трейлеры, превью, демонстрируемые пользователям. Например, зрителю, который смотрит много фильмов с Умой Турман, для «Криминального чтива» будет показано превью с ней; фанату Джона Траволты — с ним.

Старые категории классификации, такие как раса, гендер, возраст, не могут уловить те факторы, которые может обнаружить алгоритм. Понимание предпочтений пользователей преимущественно основано на истории просмотров и поиска, а не на эксплицитно выражаемых симпатиях. Предполагается, что алгоритмы и данные о пользователе знают о нем больше, чем сам пользователь, то есть существует его латентная культурная идентичность, которую можно обнаружить в данных. Чтобы понять, что вам понравилась «Игра кальмара», не обязательно спрашивать ваше мнение, если по данным видно, что вы посмотрели ее за два вечера.

Такой «математизированный вкус», конечно, не может повторить вкус индивидуальный и далек от идеала, включая возможность создания «пузырей фильтров». Подстраиваясь под вкусы и выборы пользователя, система рекомендаций перестает показывать ему фильмы и сериалы вне его «математизированного вкуса». Основываясь на паттернах культурного потребления пользователя, алгоритмизация рекомендаций ограничивает и сужает рамки потребления последующего. Таким образом, анализ предпочтений может «консервировать» эти предпочтения или даже менять их.

Алгоритмы занимают область, которая традиционно принадлежала человеческим агентам. Другими словами, система рекомендаций если не заменяет традиционных культурных привратников (таких как продюсеры или критики), то как минимум становится еще одним культурным «экспертом». Такие культурные привратники влияют как на производство культурных продуктов, так и на их восприятие аудиторией.

Алгоритмизация культуры

Исследователи преимущественно пессимистично смотрят на такую алгоритмизацию культуры, однако все не так однозначно. Имея представление и о том, как собираются данные, и о том, как работают рекомендательные алгоритмы, пользователи могут извлекать из них пользу. Многие зрители осознают их преимущества и недостатки как для своего использования, так и для общего влияния на технологии и культуру. Со слов самих зрителей, рекомендательная система, например, помогает не пропускать самые последние новинки. Кроме того, практики просмотра и выбора не ограничиваются платформой. Если даже системой рекомендаций продиктовано максимум 80% выбора пользователей, то на него точно влияют другие факторы, выходящие за пределы платформы.

Кроме того, не стоит забывать, что алгоритмы Netflix (как и любые другие) не нейтральны. Они — результат многолетнего, сложного процесса, в который включено множество агентов, на них влияет множество принимаемых людьми решений. Без человеческих агентов также не обходится и процесс сбора данных. Платформа предлагает контент в виде плейлистов с различными комбинациями множества категорий, таких как «остроумные», «романтические», «с сильными женскими героями», «о запретной любви» и пр. Эти категории размечаются теггерами, сотрудниками, которым платят за просмотр фильмов и сериалов и разнесение их по категориям.

В то время как алгоритмы становятся новым агентом в процессе потребления контента, пользователи становятся новым агентом в процессах его дистрибуции и производства. С одной стороны, мы можем говорить о том, что пользователи становятся основным активом компании: они производят информацию во время развлечения, за которое сами же и платят. С другой стороны, те же пользователи просматривают и оценивают контент, посредством чего участвуют в последующем создании контента, который во многом основывается на предпочтениях пользователя. С такой позиции зрители уже представляются не пассивными источниками данных, но сопродюсерами культурных продуктов.