视频剧集点播平台的那些数据

2019-07-03 本文已影响0人人人都是产品经理社区

模型分析的目的，在于把视频剧集点播平台的人为数据分析思维，通过监督式的机器学习，加以人为干预、修正，将算法不断升级改进，让采集到的用户数据得以效能最大化，让视频点播平台更加“优雅”，“定制化”地服务于用户，提升免费用户到订阅用户的转化率，同时“绅士”地增加用户粘性。

题图来自Unsplash，基于CC0协议

我们是一款主打互动视频剧集的点播平台app, 以生产、投资、自制剧的方式，为用户提供新颖的“互动”视频剧集和普通剧集。目前互动剧集市场较为超前，国外有Netflix进行试验性投放发布，国内腾讯微视则将其转化为社交类视频互动产品。

我们的目标人群为充满好奇心的剧集迷和游戏爱好者，通过免费使用一个月的机制培养兴趣和好奇心，并最终引导订阅会员。

1. 为新用户生成独立的数据画像

免费试用用户注册后通过喜好样本采集过程（挑选你喜欢的剧集），按照剧集Rating与观影次数的统计数据，我们选取Rating区间为7～9分不同类型的影片作为备选，在用户完成选择后，生成“客制化”的“定制”影片偏好用户画像描述。

我们引用IMDb的算法避免不合理的选片样本：

The following formula is used to calculate the Top Rated 250 titles. This formula provides a true 'Bayesian estimate', which takes into account the number of votes each title has received, minimum votes required to be on the list, and the mean vote for all titles:

weighted rating (WR) = (v ÷ (v+m)) × R + (m ÷ (v+m)) × C

Where:

R = average for the movie (mean) = (Rating)

电影按照常规方法算出的评分算术平均数;

v = number of votes for the movie = (votes)

评分的有效评分人数,需要注意的是这个人数只有符合一定投票要求的人才会被计算在内;

m = minimum votes required to be listed in the Top 250

进入IMDb TOP250榜单需要的最小评分人数;

C = the mean vote across the whole report

目前所有影片的平均分数;

IMDb算法通过参与评分的人数作为排序的主要因子，同时，辅助调整入榜最小值m以适应变化,动态算法避免了小众电影排名较高的不合理事实。

2. 通过基础用户画像+首日平均使用时长+新增用户首日留存率+字段搜索次数，对用户推荐播放列表进行校准修正（Demo里数据并非为视频类app，所以数据不具参考性）

平台新增用户平均使用时长（模拟）

平台新增用户次日留存率（模拟）

平台搜索剧集内容信息次数（模拟）

1.若首日用户用户使用时长低于平均单集剧集时长，则在第二次用户登陆时推荐区排序到第一屏，同时推荐更多其它类型的电影进行画像数据再校准；

2.若首日用户使用时长高于平均单集剧集时长，将正在观看的剧集放到最显著位置，达到“一键点击播放”的用户体验；

3.若首日用户使用后留存率低于平均值，第二次登陆间隔时常超过72小时，则通过app推送一次最新热播剧集信息，并在用户登陆后将热播剧自动预览模式放到第一屏。

III. 用户观影数据客制化定义粘性增加方案

通过观看时段、连续播放时间、重复播放次数和暂停等数据组合，可输出“客制化”的观影习惯画像描述并加以应用，如：

用户活跃粘度 DAU

利用数据，在用户习惯使用时段前进行app推送提醒，观看超过一定时长进行休息提醒，休息期间提供画像类型内的热播剧集的预告片，以增加亲密感的方式不断提高用户体验，以达到免费使用期间增加用户粘性的效果。

IV. 通过剧集历史评分数据，评估类型用户期望值，从而进行客制化推荐

根据剧集历史评分数据和分集评分详情，不难得到用户对于下一季的期望值，从而对类型内用户进行推荐频次设定，根据历史评分走势，对近似类型用户设定推荐方式。

如：历史剧集Rating评分近年为递减趋势且最近年份数据较低时，用户加权期望值即低，反之，历史数据呈递增趋势，则用户加权期望值为高。

此项数据的引用和分析，不仅可用于剧集推荐行为，还可用于剧集投资、购买等商业战略决策。

《权利的游戏》剧集历史评分及趋势图

《权利的游戏》第一季评分表

V. 互动视频剧集数据

互动视频是创新的视频交互模式，除声画以外，还与用户进行互动来增加参与感、亲密感，能更加吸引用户的注意力，增强用户好奇心。

互动视频能收集每个选项选择占比、判断时间、未在时限内选择的选项等数据。据此，对选项内容、选项设计进行复盘，就可为内容创作提供最直接的反馈。

互动视频通过单一用户的选择偏好，进而客制化出更为特殊细节的个人“偏好”，对个人剧集推荐推送、用户体验有更为细腻的校准作用。

总结：

1. 通过采样流程对新增用户进行用户画像“客制化”；

2. 通过新增免费用户前期使用、搜索、时长等数据，对其画像不断进行优化修正；

3. 通过学习用户使用习惯，设置“客制化”的剧集推送和其它app推送设置；

4. 通过客制化数据不断优化针对某画像用户app首屏投放内容、自动播放预告片及推荐分布和排序；

5. 通过剧集历史数据和客制化数据，进行用户期望值评估，进而定制推荐方案；

6. 互动视频数据提供内容创作的直接反馈，进而改进内容投资和生产。

以上模型源于多年媒体创新项目经验，同时对Netflix, Amazon Prime, HBO, Hulu, Lifetime等平台不断地深入研究学习。互动视频方案及创新来自于本人2013年的创新项目demo。在参加2018年斯坦福Ignite时，互动视频社交项目也获得金沙江创投大奖。

2018年，Netflix把互动视频的模式搬到了用户的面前，互动视频是未来剧集发展的一个趋势和方向。