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 riflettere. A quanto pare, alcuni abbonamenti Netflix vengono condivisi da più nuclei familiari in violazione dei termini di servizio.
Questo problema non è esclusivo di Netflix; la maggior parte delle piattaforme di streaming consente la visione simultanea da più dispositivi "permettendo agli utenti di creare più profili", come descrive l'articolo e come potrebbe confermare chiunque abbia utilizzato un servizio di streaming negli ultimi anni. Ciò che gli utenti non dovrebbero fare è consentire ad amici o vicini che non vivono allo stesso indirizzo di utilizzare il loro abbonamento.
Devo dire che sono un grande ammiratore di Netflix, oltre che un cliente. Il mio account ha tre profili: uno utilizzato da me, uno da mia moglie e uno condiviso tra i nostri tre figli. Mi ha sempre stupito il modo in cui gli spettacoli consigliati sul mio profilo si allineano ai miei gusti personali e come differiscono 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 programmi e per identificare le violazioni dei termini di servizio. Tuttavia, non avendo informazioni sul suo funzionamento interno oltre a questo articolo della BBC di 300 parole e alle mie esperienze personali con l’utilizzo della piattaforma, posso solo immaginare quali potrebbero essere queste tecniche. Ecco cosa ho scoperto:
- Un'opzione che chiaramente non funzionerà è confermare gli accessi utilizzando indirizzi IP locali collegati agli indirizzi fisici degli account. Nei giorni precedenti la pandemia, viaggiavo abbastanza spesso e spesso accedevo a Netflix utilizzando il mio profilo dallo stesso iPad da hotel in varie città o addirittura paesi. Sono sicuro che ce ne sono altri che hanno più residenze da cui guardano Netflix. Ho visto persone guardare Netflix con i loro telefoni sui mezzi pubblici. Tutto ciò è consentito dai termini del servizio e adottare misure per prevenirlo aggraverebbe sicuramente molti clienti fedeli.
- L'attuale processo, che utilizza un'e-mail o un messaggio di testo per verificare un account, potrebbe ugualmente infastidire alcune persone. Posso facilmente immaginare scenari in cui sono irraggiungibile proprio nel momento in cui mia figlia di 3 anni prova a guardare Peppa Pig e le viene chiesto di verificare il suo account tramite un messaggio inviato al mio telefono. Le urla che ne deriverebbero (non proprio, è una bambina fantastica e comprensiva, ma resta con me su questo) verrebbero placate passando immediatamente a Disney + e, forse, non tornando mai più indietro.
Ci sono situazioni che hanno maggiori probabilità di costituire violazioni effettive, come accessi coerenti allo stesso account durante l'orario di punta in diverse località geografiche ripetute all'interno della stessa città o l'uso simultaneo quotidiano in paesi o continenti diversi. Possono esistere casi isolati di uso legittimo anche all'interno di questi casi, ma sono difficili da immaginare e sarebbero sicuramente una minoranza.
Secondo l’articolo della BBC citato in precedenza, che costituisce l’insieme della mia ricerca su questo argomento, Netflix “ha ora 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 non supervisionato disponibili in JMP, come il clustering gerarchico.
L'apprendimento non supervisionato 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 parametri di utilizzo. Come si può vedere nella Figura 1, non tutti i cluster contengono lo stesso numero di utenti. Infatti, i Cluster 2, 3 e 5 contengono solo 25 utenti in totale. Se questo fosse il mio set di dati, darei un'occhiata più da vicino a questi cluster per cercare di capire in cosa differiscono dalle restanti 15.075 persone.
Figura 1: Conteggi per cinque cluster per un set di dati sulle abitudini di utilizzo di Internet di 15.100 (a sinistra) e dendrogramma prodotto dalla piattaforma di clustering gerarchico in JMP.
Tali informazioni possono essere trovate nel diagramma della corda parallela riportato di seguito nella Figura 2, dove ciascuna linea rappresenta un cluster. Osservando l'estremità più a sinistra del grafico, sembra che i tre utenti nel cluster 5, in media, abbiano avuto un tot_HO (ore totali online) maggiore rispetto agli utenti in qualsiasi altro cluster. Questo potrebbe essere uno dei parametri che distingue questo cluster dagli altri. Ce ne sono anche altri, come indicato nelle porzioni della trama in cui le linee deviano.
Figura 2: Grafico della corda parallela, che mostra come differiscono le abitudini di utilizzo per ciascuno dei cinque cluster.
Il passo successivo sarebbe quello di considerare queste differenze e pensare in modo logico a quali cluster sono composti da utenti che molto probabilmente stanno violando 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 salta fuori qualcosa di significativo. Una volta che ciò accade, avranno una buona idea degli account a cui 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 famiglie che condividevano le password e che gli avvertimenti sono stati ascoltati. Un risultato chiaro sarebbe quello di eseguire questo test in una regione localizzata e vedere se si verifica un picco di abbonamenti nei giorni o nelle settimane successivi.
Tutto ciò potrebbe costituire 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 conservativa nel suo approccio e considerare solo gli utenti con una probabilità superiore, ad esempio, al 70% come potenziali trasgressori. Ciò può essere fatto regolando la soglia di probabilità per ottimizzare la matrice di confusione: queste e altre opzioni si trovano in tutto JMP. I risultati di questo modello potrebbero anche essere raggruppati in base alla probabilità, con diverse azioni intraprese su questi contenitori. Ad esempio, gli utenti con abitudini che indicano una probabilità di violazione del 99% potrebbero vedere sospeso il proprio account, mentre a quelli superiori all'80% potrebbero essere inviati avvisi.
È qui che una piattaforma di streaming che vuole fermare la condivisione delle password deve prendere alcune decisioni su ciò che spera di ottenere, quali sono le sue priorità e cosa vorrebbe assolutamente evitare. Senza un’attenta considerazione, potrebbe utilizzare questo processo per sviluppare inavvertitamente modelli che prendono di mira ingiustamente e erroneamente le minoranze. Oppure, ipotesi errate possono portare decine di utenti legittimi ad annullare il proprio servizio e a passare a un concorrente. Ciò evidenzia l’importanza di includere la supervisione umana in ogni fase di questo processo, incluso, e soprattutto, che gli esseri umani valutino i modelli utilizzando la logica e il buon senso. Ci sono molti esempi di organizzazioni che stanno imparando a proprie spese cosa faranno le macchine al loro marchio se lasciate a se stesse.
Forse le società di streaming hanno modi per monetizzare gli spettatori oltre alle tariffe di abbonamento, come il posizionamento dei prodotti, e preferirebbero peccare dalla parte di più spettatori piuttosto che di meno. Naturalmente, il numero di spettatori guadagnati rispetto alle quote di abbonamento perse sarebbe il tipo di informazione necessaria prima di prendere tali decisioni. JMP può essere utilizzato in ogni fase di questo processo. Il nostro software consente agli esperti del settore di districarsi tra set di dati ampi e complessi finché non emergono informazioni che solo loro, essendo esperti, possono comprendere. Consente inoltre agli esperti di distillare le intuizioni e presentarle in un modo che sia facilmente digeribile dalle parti interessate, garantendo così che tutte le azioni risultanti siano in linea con le esigenze strategiche dell'azienda.
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 potenziare le decisioni che le guidano.
Ottimo post, @HadleyMyers .
Volevo solo condividere che Netflix scrive parecchio su alcune delle cose che fanno con l'analisi dei dati. mi sono davvero divertita Questo articolo da uno dei loro data scientist. Ciò che mi piace davvero è che riconoscano la necessità di sperimentare e non solo aspettarsi di trovare oro nei dati raccolti passivamente. I clienti JMP lo sanno, ma molte organizzazioni che sono state sedotte dalla magia dell'intelligenza artificiale semplicemente non lo capiscono.
…la sperimentazione può essere considerata superiore alla maggior parte degli approcci ML basati su dati osservativi. Dedichiamo notevoli sforzi alla ricerca e alla creazione di modelli e algoritmi di machine learning. Sfruttare attentamente i modelli nei dati osservati è potente per fare previsioni e anche per riaffermare ipotesi, ma è ancora più potente condurre esperimenti per arrivare alla causalità.
