Cos’è davvero l’algoritmo di Netflix?

Netflix è una delle maggiori società al mondo di distribuzione via internet di contenuti audiovisivi. Fondata nel 1997 in California nasce come attività di noleggio di DVD. Inizialmente gli utenti prenotavano i DVD via internet ricevendoli direttamente a casa tramite il servizio postale. Dal 2008 l’azienda ha attivato un servizio di streaming on demand accessibile tramite abbonamento. Nel 2012 Netflix entra nel settore della produzione di contenuti audiovisivi con House of Cards, da allora ha ampliato sempre di più la produzione di contenuti originali Netflix. Nel 2023 ha raggiunto 230 milioni di abbonati in tutto il mondo con una capitalizzazione in borsa che supera i 190 miliardi di dollari.

Nel 2006, quando la società non era ancora stata convertita in servizio streaming on demand, Netflix ha offerto 1 milione di dollari a chi avesse escogitato un algoritmo in grado di prevedere le valutazioni dei suoi clienti ai film in base alle loro valutazioni precedenti. A seguito di questo concorso denominato “Netflix Prize” nel 2009 prende vita l’algoritmo e, sebbene sia stato costantemente rivisto, i principi su cui si basava sono ancora oggi un elemento chiave del software che crea le liste dei film consigliati e dà suggerimenti sui film da prendere in licenza o da produrre.
Tutti i dati forniti dalla piattaforma vengono utilizzati da Netflix per ottenere un grado più ampio di interazione dei suoi clienti, poiché i clienti soddisfatti hanno molte più probabilità di continuare i loro abbonamenti e la maggior parte dei ricavi di Netflix è ottenuta grazie al mantenimento degli abbonati piuttosto che dall’acquisizione di nuovi.
Ad oggi la vasta base di utenti consente a Netflix di raccogliere enormi quantità di dati per il supporto decisionale. Le reti televisive tradizionali non hanno questo tipo di privilegi nella loro trasmissione e le valutazioni sono solo approssimazioni.

Con un piano tariffario di $ 9,99 al mese per membro, Netflix non può permettersi di aggiungere ogni successo al botteghino. La società cerca quindi i contenuti più efficienti, ossia quelli che soddisferanno il maggior numero di spettatori in rapporto al costo della licenza. Ciò significa anche che si sceglierà di non rinnovare i titoli che non sono stati visti abbastanza rispetto al loro costo. Se prendiamo ad esempio alcuni film presenti nella sezione “perché hai guardato” si può osservare che molti di questi sono film sconosciuti. Si tratta di film più economici da acquisire ma simili a livello di analisi dei dati ai film che generano numerose interazioni tra gli abbonati. Questo tipo di utilizzo dei big data può infatti essere molto utile per dare visibilità ad artisti emergenti o film sperimentali low budget.
Se si vogliono utilizzare i dati per coadiuvare il processo decisionale bisogna fare attenzione a due fattori: averne tanti, e di grande qualità. La qualità del dato è determinata dal suo grado di certezza. Il dato di maggiore qualità è senz’altro quello dichiarato direttamente dall’utente. Il software comprende facilmente che un utente è un fan di Kevin Spacey se ha consumato la quasi totalità dei film con protagonista l’attore. Più punti-dato si riescono a registrare, più informazioni possono essere messe al servizio di uno o più processi induttivi per ricavare un profilo di interessi e intenzioni. Di base gli utenti sono restii a fornire esplicitamente grandi quantità di informazioni sui propri gusti e interessi, specialmente se vengono costretti a interminabili “questionari” nel processo di registrazione. È quindi fondamentale raccogliere il maggior numero possibile di dati durante l’esperienza di consumo.
Si può estendere tale principio anche al di là della singola esperienza utente: anche i fattori meteorologici, i grandi eventi, le festività possano influenzare in qualche modo la fruizione dell’offerta ed è fondamentale registrare anche questi punti-dato. È noto che se il tempo è brutto in un giorno di festa la gente tende a uscire meno di casa e quindi, in quell’area geografica, l’intrattenimento prettamente domestico sarà favorito. La quantità di dati, invece, non è solo da riferirsi a quelli che possiamo raccogliere per ogni utente, ma anche alla numerosità del campione e alla profondità dello storico. Se ho raccolto informazioni su 100 utenti per una settimana, anche se la quantità e la qualità di dati per singolo utente sono molto elevate, è impossibile pensare di effettuare previsioni su come andrà il consumo globale per i prossimi dodici mesi. È necessario misurare un numero significativo di individui per un tempo prolungato per evidenziare tendenze su cui impostare dei ragionamenti.

Francesco Silveri