Конец традиционного телевидения

22.12.2014 16:29
Все мы слышали утверждение, что даже подписавшись на несколько сотен телеканалов, абонент смотрит в итоге не более восьми. На самом деле, "насладившись" возможностью долго щелкать пультом, зритель быстро возвращается к уже известным ему телеканалам/контенту. Через некоторое время у него возникает вполне правомочный вопрос — в чем смысл подписки на такое количество каналов/сервисов, если он ими не пользуется? Как мы видим по результатам всевозможных исследований, абонента в итоге начинает раздражать наличие большого количества неинтересных ему телеканалов, а оператор сталкивается с проблемой повышения ARPU, так как не может соответственно поднять уровень получаемого абонентом удовлетворения от услуги. Решением этой проблемы может стать сервис персонифицированных рекомендаций. 
 
Руководитель крупнейшего в мире OTT-сервиса Netflix Рид Хастингс считает, что традиционное линейное ТВ закончит свое существование к 2030 году. Конечно, речь идет не об окончании эры телевидения как такового, и не о переходе на какую-то новую, еще неизвестную нам технологию. Рид Хастингс говорит о том, что для Netflix является приоритетным направлением уже много лет — об изменении модели потребления телевизионного и видеоконтента через систему рекомендаций.
 
Зритель хочет потреблять интересный ему контент. Традиционная система поиска по EPG или библиотеке VOD не работает, так как абонент не может искать то, чего он не знает. Зрителю требуется подсказка, рекомендация, какой контент будет для него интересным. До недавнего времени единственным вариантом такой рекомендации был телевизионный канал. Ведь что есть телевизионный канал, как не действия редактора по формированию сетки вещания с учетом его личных профессиональных знаний о программах, целевой аудитории, времени суток, ритмов телесмотрения объединенных в единый бренд? Фактически, это первая модель рекомендательной системы.
 
Вместе с развитием интернета компании, предоставляющие контент зрителю, получили возможность получать оперативные данные о выборе, совершаемом пользователем и оперативно предлагать ему тот или иной контент в зависимости от его выбора. Исследовательская компания Red Bee Media выделяет следующие составляющие эффективной рекомендации:
1) Адекватность — зрителю нужно рекомендовать тот контент, который он хотел бы посмотреть, или который ему хотя бы потенциально интересен;
2) Понятность — зритель должен понимать, почему ему порекомендовали этот контент;
3) Возможность реакции зрителя — зритель должен иметь возможность указать на некорректность рекомендации;
4) Стимулирование — безусловно, рекомендация должна стимулировать зрителя на просмотр контента;
5) Независимость от недостатка данных — рекомендация должна выполнять свою роль, даже если общих данных недостаточно или мы имеем дело с новым пользователем.
 
Наверное, все мы сталкивались c самой простой рекомендательной системой, которая используется с середины 90-х годов и описывается словами "клиенты, которые купили это, также купили то". Такая система может поднять уровень продаж на несколько процентов, но все еще очень несовершенна — прежде всего потому, что не учитывает никаких других данных, кроме покупки как таковой. В частности, не учитывает отношения зрителя к просмотренному контенту.
 
Наличие обратного канала позволяет зрителю ставить оценки просмотренным фильмам и передачам. Именно из рекомендательной системы с такими оценками родилась система, которой пользуется Netflix: пользователи оценивают просмотренные фильмы по пятибалльной системе, и на основании более чем миллиарда оценок Netflix рекомендует к просмотру зрителю те или иные фильмы и шоу.
 
 
Для определения  какой фильм следует рекомендовать, используется стандартный алгоритм линейной регрессии (его еще принято называть алгоритмом связанной фильтрации). Собственный алгоритм Netflix был лучше стандартного на 10%. В 2006 году компания объявила конкурс с призовым фондом в $1 млн для тех, кто сможет улучшить алгоритм еще на 10%. Участникам была предоставлена база данных из более чем 100 миллионов оценок, которые 480 тысяч клиентов поставили 17 тысячам фильмов. В конкурсе участвовали десятки тысяч исследовательских команд и частных лиц, и в 2009 году двум из них почти одновременно все-таки удалось улучшить алгоритм на 10,06%.
 
Эти цифры подтверждают тот факт, что результаты любых математических алгоритмов, построенных исключительно на системе оценок контента, на самом деле не сильно отличаются друг от друга. Также они требуют заметного первоначального вклада пользователя для начала генерирования рекомендаций.
 
Для того, чтобы кардинально улучшить получаемый результат, и немедленно предоставить зрителю релевантные рекомендации, дополнительно к системам рейтинга контента используется его анализ — как на автоматическом, так и физическом уровнях. Автоматически оценивается доступная информация о программе из различных доступных источников. Она может включать в себя данные о времени создания, рейтинге, актерах и режиссерах, и многое другое. Различные дополнительные маркеры вносятся вручную экспертами. В частности, у Netflix этим занимаются 40 человек. Все это объединяется в постоянно совершенствующийся общий алгоритм.
 
По утверждениям Netflix, более 75% просмотров на их платформе генерируется с помощью рекомендаций (это доход более чем $1,1 млрд в год!), а над рекомендательным движком работают 800 специалистов. Сейчас компания работает над глубоким анализом зрительского поведения. Его зависимость от различных факторов на самом деле определяет, что именно хочет смотреть абонент в данный момент. Именно с развитием рекомендательных систем компания Netflix связывает будущее индустрии телевидения. Поэтому, когда Рид Хастингс говорит о скором конце линейного телевидения, подразумевается, что к 2030 году развитие интернета вкупе с системами рекомендаций достигнет такого уровня, что в привычном нам телевидении просто не будет необходимости. Абоненты через интернет получат доступ к огромным массивам контента, из которого для каждого из них будет автоматически формироваться некий индивидуальный VOD-канал, полностью удовлетворяющий индивидуальным потребностям. 
 

Должен заметить, что если вы согласны с Ридом Хастингсом, то вам совершенно необязательно нанимать несколько сотен специалистов для создания своей собственной рекомендательной системы. Существует огромное количество компаний, предлагающих готовый продукт различной степени сложности — от базовых алгоритмов связанной фильтрации, опционально доступных у поставщиков сет-топ-боксов, до систем, способных выдавать максимально релевантные рекомендации даже новым пользователям за счет развитых методик анализа контента и интегрироваться во все среды распространения. К сожалению, такие продвинутые системы пока на нашем рынке не представлены.
 
Российские операторы, предлагающие рекомендательный сервис своим абонентам, в большинстве своем пользуются самыми простыми алгоритмами связанной фильтрации, в лучшем случае дополненными возможностью для пользователя выставить оценку просмотренному контенту. В этой связи нельзя не упомянуть об опыте компании "Рикор" — пионера среди российских рекомендательных сервисов. Компания сделала упор на создании персонального ТВ с интерактивным EPG. В качестве площадки для продвижения продукта использовалась ныне закрытая DTH-платформа "Актив ТВ". Эксперты рынка в принципе сходятся во мнении, почему "Актив ТВ" как самостоятельная платформа не смог стать успешным проектом — недостаточный маркетинг услуги + чрезвычайная сложность проекта для понимания потребителя. По моему же мнению, основной проблемой стало неправильное позиционирование услуги. От абонента требовалось слишком много действий для пользования услугой — фактически каждому пользователю нужно было самостоятельно создать собственный персональный канал, чтобы платформа впоследствии наполняла его сама. Тогда как по-хорошему рекомендательная система должна прилагаться к контенту, а не наоборот. Посмотрите на эти скриншоты — лично меня они совсем не стимулируют воспользоваться предлагаемым сервисом. Тем не менее, отдельные проекты компании (например, расширенный EPG) продолжают свою жизнь в сетях других операторов.
 
 
Крупнейшим рекомендательным сервисом в российском сегменте интернета, является проект imhonet.ru. Используя базовые алгоритмы связанной фильтрации в связке с системой рейтингов и не занимаясь анализом контента, проект делает упор на возможность немедленного, хоть и не всегда легального скачивания представленного на портале контента. В связи с этим сайт imhonet был даже заблокирован судом на несколько дней летом 2014 года по иску компании "Эксмо". К сожалению, как я уже писал, базовые алгоритмы связанной фильтрации, даже подкрепленные оценками пользователей, дают не очень релевантный результат. Мне так и не удалось получить от проекта рекомендацию, которая бы меня действительно заинтересовала, даже несмотря на то, что я честно прошел все требуемые подготовительные стадии, проставив оценки нескольким десяткам фильмов и сериалов. 
 
Резюмируя вышесказанное, можно сказать, что развитие рекомендательных сервисов в сегменте российского телевидения находится в самом начале, и в будущем они станут одним из основных драйверов повышения ARPU. Скорее всего это развитие будет связано с появлением на нашем рынке крупных зарубежных игроков. Я думаю, это произойдет достаточно скоро, так как повышение ARPU становится для операторов жизненно важным вопросом, особенно в условиях экономического кризиса. Внедрение же современных рекомендательных сервисов — практически единственная, еще не использованная возможность изменить ситуацию с уровнем удовлетворения абонента от услуги, и следовательно желания платить за нее больше, чем сейчас.
 

Comments