Recentemente, mi sono imbattuto in un articolo su BBC World News intitolato "Netflix considera un giro di vite sulla condivisione delle password" questo ha suscitato il mio interesse e mi ha fatto pensare. Apparentemente, alcuni abbonamenti Netflix vengono condivisi da più famiglie in violazione dei termini di servizio.
Questo problema non è esclusivo di Netflix; la maggior parte delle piattaforme di streaming consente la visualizzazione simultanea da più dispositivi "consentendo agli utenti di creare più profili", come descrive l'articolo e che chiunque abbia utilizzato un servizio di streaming negli ultimi anni potrebbe confermare. Ciò che gli utenti non dovrebbero fare è lasciare che amici o vicini che non vivono allo stesso indirizzo utilizzino il loro abbonamento.
Devo dire che sono un grande ammiratore di Netflix, oltre che un cliente. Il mio account ha tre profili: uno usato da me, uno da mia moglie e uno condiviso tra i nostri tre figli. Mi ha sempre stupito quanto bene gli spettacoli consigliati sul mio profilo siano in linea con i miei gusti personali e come differiscano da quelli visualizzati in modo più evidente negli altri profili.
Per quanto riguarda l'analisi, Netflix è un'azienda estremamente matura e non ho dubbi che stia impiegando molte delle stesse tecniche utilizzate per consigliarmi gli spettacoli così come per identificare le violazioni dei termini di servizio. Tuttavia, non avendo approfondimenti sul suo funzionamento interno oltre a questo articolo della BBC di 300 parole e le mie esperienze personali usando la piattaforma, posso solo immaginare quali potrebbero essere quelle tecniche. Ecco cosa ho trovato:
- Un'opzione che chiaramente non funzionerà è confermare gli accessi utilizzando indirizzi IP locali collegati agli indirizzi fisici degli account. Nei giorni prima della pandemia, viaggiavo abbastanza spesso e spesso mi collegavo a Netflix usando il mio profilo da quello stesso iPad da hotel in varie città o addirittura paesi. Sono sicuro che ci sono altri che hanno più residenze da cui guardano Netflix. Ho visto persone che guardano Netflix con i loro telefoni sui mezzi pubblici. Tutto ciò è consentito dai termini di servizio e adottare misure per prevenirlo aggraverebbe sicuramente molti clienti fedeli.
- L'attuale versione di prova, che utilizza un'e-mail o un messaggio di testo per verificare un account, potrebbe infastidire anche alcune persone. Posso facilmente immaginare scenari in cui sono irraggiungibile proprio nel momento in cui il mio bambino di 3 anni cerca di guardare Peppa Pig e gli viene chiesto di verificare il suo account tramite un messaggio inviato al mio telefono. Le urla che ne deriverebbero (non proprio, è una ragazzina fantastica e comprensiva, ma rimani con me su questo) sarebbero placate passando immediatamente a Disney + e, forse, non tornando più indietro.
Ci sono situazioni che è più probabile che non siano violazioni effettive, come accessi coerenti allo stesso account durante la prima serata in diverse località geografiche ripetute all'interno della stessa città, o l'uso simultaneo quotidiano in diversi paesi o continenti. Possono esistere casi isolati di uso legittimo anche all'interno di questi eventi, ma sono difficili da immaginare e sarebbero certamente in minoranza.
Secondo l'articolo della BBC a cui si fa riferimento in precedenza, che costituisce l'intera mia ricerca su questo argomento, Netflix "ora ha più di 200 milioni di abbonati in tutto il mondo". Se intende fare un tentativo significativo per affrontare questo problema, dovrà rivolgersi all'analisi per chiedere aiuto. Un ottimo punto di partenza potrebbe essere uno dei numerosi algoritmi di apprendimento senza supervisione disponibili in JMP, come il raggruppamento gerarchico.
L'apprendimento senza supervisione consente agli utenti con abitudini di visualizzazione simili di essere classificati in cluster senza dover identificare tali abitudini in anticipo. Nell'esempio seguente, 15.100 utenti Internet sono raggruppati in cinque cluster utilizzando 51 metriche di utilizzo. Come si può vedere nella Figura 1, non tutti i cluster contengono lo stesso numero di utenti. In effetti, i cluster 2, 3 e 5 contengono solo 25 utenti tra di loro. Se questo fosse il mio set di dati, darei un'occhiata più da vicino a questi cluster per cercare di capire come differiscono dalle restanti 15.075 persone.
Figura 1: conteggi per cinque cluster per il set di dati delle abitudini di utilizzo di Internet di 15.100 (a sinistra) e il dendrogramma prodotto dalla piattaforma di clustering gerarchico in JMP.
Quelle informazioni possono essere trovate nel diagramma del cavo parallelo sotto nella Figura 2, dove ogni linea rappresenta un ammasso. Guardando l'estremo più a sinistra del grafico, sembra che i tre utenti nel Cluster 5, in media, avessero un tot_HO (ore totali online) più grande degli utenti in qualsiasi altro cluster, in media. Questa potrebbe essere una delle metriche che distingue questo cluster dagli altri. Ce ne sono anche altri, come indicato nelle porzioni della trama dove le linee si discostano.
Figura 2: diagramma del cavo parallelo, che mostra come le abitudini di utilizzo differiscono per ciascuno dei cinque cluster.
Il passo successivo sarebbe considerare queste differenze e pensare logicamente a quali cluster sono composti da utenti che molto probabilmente violano i loro contratti di servizio. La cosa bella di JMP è che inizialmente, se non emerge nulla di concreto, le piattaforme sono progettate per consentire agli analisti di continuare a esplorare i dati finché non viene fuori qualcosa di significativo. Una volta che ciò accade, avranno una buona idea degli account per indirizzare gli avvisi.
Da lì, una piattaforma di streaming come Netflix potrebbe monitorare questi account per scoprire se ci sono differenze nelle loro abitudini di utilizzo. Ciò potrebbe indicare che alcuni account avevano più nuclei familiari che condividevano le password e gli avvertimenti sono stati rispettati. Un risultato chiaro sarebbe farlo come test in una regione localizzata e vedere se c'è un picco negli abbonamenti nei giorni o nelle settimane successive.
Tutto ciò potrebbe essere la base per un set di dati di addestramento e lo sviluppo di un modello per stimare la possibilità che un utente commetta infrazioni. Probabilità superiori al 50% possono suggerire violazioni, ma l'azienda può scegliere di essere più prudente nel suo approccio e considerare solo gli utenti al di sopra, ad esempio, del 70% di possibilità come potenziali violatori. Questo può essere fatto regolando la soglia di probabilità per ottimizzare la matrice di confusione: queste opzioni e altre si trovano in JMP. I risultati di questo modello potrebbero anche essere classificati in base alla probabilità, con diverse azioni intraprese su questi contenitori. Ad esempio, gli utenti con abitudini che indicano una probabilità del 99% di violazioni potrebbero avere i propri account sospesi, mentre a quelli superiori all'80% potrebbero essere inviati avvisi.
È qui che una piattaforma di streaming che vuole interrompere la condivisione delle password deve prendere alcune decisioni su ciò che spera di ottenere, dove si trovano le sue priorità e cosa vorrebbe assolutamente evitare. Senza un'attenta considerazione, può utilizzare questo processo per sviluppare inavvertitamente modelli che prendono di mira ingiustamente e in modo errato le popolazioni minoritarie. Oppure, ipotesi sbagliate possono portare a decine di utenti legittimi che annullano il loro servizio e passano a un concorrente. Ciò evidenzia l'importanza di includere la supervisione umana in ogni fase di questo processo, incluso e soprattutto fare in modo che gli umani valutino i modelli usando la logica e il buon senso. Ci sono molti esempi di organizzazioni che imparano nel modo più duro cosa faranno le macchine al loro marchio se lasciate ai propri dispositivi.
Forse le società di streaming hanno modi per monetizzare gli spettatori oltre ai canoni di abbonamento, come l'inserimento di prodotti, e preferirebbero sbagliare dalla parte di più spettatori piuttosto che di meno. Naturalmente, il numero di spettatori guadagnati rispetto ai canoni di abbonamento persi sarebbe il tipo di informazioni necessarie prima di prendere tali decisioni. JMP può essere utilizzato in ogni fase di questo processo. Il nostro software consente agli esperti di dominio di guadare set di dati ampi e complessi finché non emergono intuizioni che solo loro, in quanto esperti, possono comprendere. Consente inoltre a quegli esperti di distillare le intuizioni e presentarle in un modo facilmente digeribile dagli stakeholder, assicurando così che le azioni risultanti siano in linea con le esigenze strategiche del business.
Sarà interessante vedere quali azioni intraprenderanno i vari servizi di streaming per affrontare questo problema in futuro. Una cosa è certa: loro, come molte altre organizzazioni, avranno sfruttato il potere dell'analisi per informare e aumentare le decisioni che le guidano.
Ottimo post, @ HadleyMyers .
Volevo solo condividere che Netflix scrive un bel po 'di cose che fanno con l'analisi dei dati. mi è veramente piaciuto Questo articolo da uno dei loro data scientist. Quello che mi piace davvero è che riconoscono la necessità di sperimentare e non si aspettano solo di trovare l'oro nei dati raccolti passivamente. I clienti JMP lo sanno, ma molte organizzazioni che sono state sedotte dalla magia dell'IA semplicemente non lo capiscono.
... la sperimentazione può essere considerata superiore alla maggior parte degli approcci ML basati su dati osservativi. Spendiamo una notevole quantità di sforzi nella ricerca e nella creazione di modelli e algoritmi di ML. Sfruttare con attenzione i modelli nei dati osservati è potente per fare previsioni e anche per riaffermare ipotesi, ma è ancora più potente eseguire esperimenti per arrivare al nesso di causalità.
