최근 BBC World News에서 다음과 같은 제목의 기사를 보았습니다. “넷플릭스, 비밀번호 공유 단속 고려 중” 그것이 내 관심을 불러일으켰고 생각하게 만들었습니다. 분명히 일부 Netflix 구독은 서비스 약관을 위반하여 여러 가구에서 공유되고 있습니다.
이 문제는 Netflix에만 국한되지 않습니다. 대부분의 스트리밍 플랫폼에서는 기사에 설명된 대로 "사용자가 여러 프로필을 만들 수 있도록 허용"하여 여러 장치에서 동시에 시청할 수 있으며 지난 몇 년 동안 스트리밍 서비스를 사용해 본 사람이라면 누구나 확인할 수 있습니다. 사용자가 해서는 안 되는 일은 같은 주소에 살지 않는 친구나 이웃이 자신의 구독을 사용하도록 허용하는 것입니다.
저는 Netflix의 열렬한 팬이자 고객이라고 말씀드리고 싶습니다. 내 계정에는 세 개의 프로필이 있습니다. 하나는 제가 사용하고, 하나는 아내가 사용하고, 하나는 세 자녀가 공유합니다. 내 프로필에 추천된 프로그램이 내 개인 취향과 얼마나 잘 일치하는지, 그리고 다른 프로필에 더 눈에 띄게 표시되는 프로그램과 얼마나 다른지 항상 놀랐습니다.
분석에 관한 한 Netflix는 매우 성숙한 회사이며, 서비스 약관 위반을 식별할 때와 마찬가지로 나에게 프로그램을 추천할 때 사용되는 것과 동일한 기술을 많이 사용하고 있다는 것은 의심할 여지가 없습니다. 그러나 이 300 단어 BBC 기사와 플랫폼 사용 경험 외에 내부 작동에 대한 통찰력이 없기 때문에 그러한 기술이 무엇인지 상상할 수만 있습니다. 내가 생각해낸 내용은 다음과 같습니다.
- 분명히 작동하지 않는 한 가지 옵션은 계정의 실제 주소에 연결된 로컬 IP 주소를 사용하여 로그인을 확인하는 것입니다. 팬데믹 이전에는 여행을 자주 다녔고, 여러 도시나 국가의 호텔에서 동일한 iPad의 내 프로필을 사용하여 Netflix에 로그인하는 경우가 많았습니다. Netflix를 시청하는 여러 거주지가 있는 다른 사람들도 있을 것이라고 확신합니다. 대중교통에서 휴대폰으로 넷플릭스를 시청하는 사람들을 본 적이 있습니다. 이는 모두 서비스 약관에 따라 허용되며 이를 방지하기 위한 조치를 취하면 많은 충성도 높은 고객이 확실히 악화될 것입니다.
- 계정을 확인하기 위해 이메일이나 문자 메시지를 사용하는 현재 평가판은 일부 사람들을 똑같이 짜증나게 할 수 있습니다. 3살짜리 아이가 페파피그를 시청하려고 하는데 내 휴대폰으로 전송된 문자 메시지를 통해 계정을 확인하라는 요청을 받는 순간에 나에게 연락할 수 없는 시나리오는 쉽게 상상할 수 있습니다. 계속되는 비명(실제로 그녀는 훌륭하고 이해심 많은 아이지만 이 문제에 대해서는 나와 함께 있어주세요)은 즉시 Disney+로 전환하고 아마도 결코 다시 전환하지 않음으로써 진정될 것입니다.
동일한 도시 내의 여러 반복되는 지리적 위치에서 프라임 타임 동안 동일한 계정에 지속적으로 로그인하거나 다른 국가 또는 대륙에서 매일 동시 사용하는 등 실제 위반이 아닐 가능성이 더 높은 상황이 있습니다. 이러한 경우에도 적법한 사용이 가능한 고립된 사례가 있을 수 있지만 상상하기 어렵고 확실히 소수에 속할 것입니다.
이 주제에 대한 나의 연구 전체를 구성하는 앞서 언급한 BBC 기사에 따르면, Netflix는 "현재 전 세계적으로 2억 명 이상의 가입자를 보유하고 있습니다." 이 문제를 해결하기 위해 의미 있는 시도를 하려면 분석을 통해 도움을 받아야 합니다. 시작하기 정말 좋은 곳은 다음에서 사용할 수 있는 여러 비지도 학습 알고리즘 중 하나일 수 있습니다. JMP, 계층적 클러스터링과 같은 것입니다.
비지도 학습을 사용하면 유사한 시청 습관을 가진 사용자를 사전에 식별할 필요 없이 클러스터로 분류할 수 있습니다. 아래 예에서는 15,100명의 인터넷 사용자가 51개의 사용량 지표를 사용하여 5개의 클러스터로 그룹화됩니다. 그림 1에서 볼 수 있듯이 모든 클러스터에 동일한 수의 사용자가 포함되어 있는 것은 아닙니다. 실제로 클러스터 2, 3, 5에는 사용자가 25명만 포함되어 있습니다. 이것이 내 데이터 세트라면 이 클러스터를 자세히 관찰하여 나머지 15,075명과 어떻게 다른지 이해하려고 노력할 것입니다.
그림 1: 15,100개의 인터넷 사용 습관 데이터 세트(왼쪽)와 JMP의 계층적 클러스터링 플랫폼에서 생성된 덴드로그램에 대한 5개 클러스터의 수입니다.
해당 정보는 아래 그림 2의 병렬 코드 플롯에서 찾을 수 있으며, 여기서 각 선은 클러스터를 나타냅니다. 플롯의 가장 왼쪽 끝을 보면 클러스터 5의 사용자 3명이 평균적으로 다른 클러스터의 사용자보다 tot_HO(총 온라인 시간)가 더 큰 것으로 보입니다. 이는 이 클러스터를 다른 클러스터와 구별하는 측정항목 중 하나일 수 있습니다. 선이 벗어나는 플롯 부분에 표시된 대로 다른 것들도 있습니다.
그림 2: 5개 클러스터 각각의 사용 습관이 어떻게 다른지 보여주는 병렬 코드 플롯.
다음 단계는 이러한 차이점을 고려하고 어떤 클러스터가 서비스 계약을 위반할 가능성이 가장 높은 사용자로 구성되어 있는지 논리적으로 생각하는 것입니다. JMP의 좋은 점은 처음에는 구체적인 내용이 나오지 않더라도 의미 있는 내용이 나타날 때까지 분석가가 데이터를 계속 탐색할 수 있도록 플랫폼이 설계되었다는 것입니다. 그런 일이 발생하면 경고 대상으로 삼을 계정에 대한 좋은 아이디어를 얻게 됩니다.
여기에서 Netflix와 같은 스트리밍 플랫폼은 이러한 계정을 모니터링하여 사용 습관에 차이가 있는지 확인할 수 있습니다. 그렇게 하면 일부 계정에 여러 가구가 비밀번호를 공유하고 있으며 경고에 주의를 기울였음을 나타낼 수 있습니다. 명확한 결과는 현지화된 지역에서 테스트로 이를 수행하고 이후 며칠 또는 몇 주 동안 구독이 급증하는지 확인하는 것입니다.
이 모든 것은 사용자가 위반을 저지를 가능성을 추정하기 위한 훈련 데이터 세트와 모델 개발의 기초가 될 수 있습니다. 가능성이 50%를 초과하면 위반을 암시할 수 있지만 회사는 접근 방식을 보다 보수적으로 선택하여 예를 들어 70% 이상의 가능성이 있는 사용자만 잠재적 위반자로 간주할 수 있습니다. 이는 확률 임계값을 조정하여 혼동 행렬을 최적화함으로써 수행할 수 있습니다. 이러한 옵션과 기타 옵션은 JMP 전체에서 찾을 수 있습니다. 이 모델의 결과는 확률에 따라 구간화될 수도 있으며 이러한 구간에 대해 다양한 조치가 취해질 수도 있습니다. 예를 들어, 위반 가능성이 99%인 습관을 가진 사용자에게는 계정이 정지될 수 있으며, 80%를 초과하는 사용자에게는 경고가 전송될 수 있습니다.
여기서는 비밀번호 공유를 중단하려는 스트리밍 플랫폼이 달성하고자 하는 것, 우선 순위가 어디에 있는지, 절대적으로 피하고 싶은 것이 무엇인지에 대한 몇 가지 결정을 내려야 합니다. 신중하게 고려하지 않으면 이 프로세스를 사용하여 소수 집단을 불공평하고 부정확하게 대상으로 하는 모델을 실수로 개발할 수 있습니다. 또는 잘못된 추측으로 인해 수많은 합법적인 사용자가 서비스를 취소하고 경쟁업체로 전환할 수도 있습니다. 이는 특히 사람이 논리와 상식을 사용하여 모델을 평가하는 것을 포함하여 이 프로세스의 모든 단계에서 사람의 감독을 포함하는 것의 중요성을 강조합니다. 기계를 자체 장치에 남겨두면 브랜드에 어떤 영향을 미칠지 열심히 학습하는 조직의 사례가 많이 있습니다.
아마도 스트리밍 회사는 구독료와 별도로 PPL과 같이 시청률로 수익을 창출할 수 있는 방법을 갖고 있으며, 시청자 수가 적기보다는 많을수록 실수를 저지를 수도 있습니다. 물론, 얼마나 많은 시청자가 확보되었는지와 구독료 손실이 얼마나 되는지가 그러한 결정을 내리기 전에 필요한 정보 유형일 것입니다. JMP는 이 프로세스의 모든 단계에서 사용될 수 있습니다. 당사의 소프트웨어를 사용하면 도메인 전문가는 전문가만이 이해할 수 있는 통찰력이 나타날 때까지 크고 복잡한 데이터 세트를 탐색할 수 있습니다. 또한 이를 통해 전문가는 통찰력을 추출하고 이해관계자가 쉽게 이해할 수 있는 방식으로 제시할 수 있으므로 결과적인 조치가 비즈니스의 전략적 요구 사항에 부합하도록 보장할 수 있습니다.
앞으로 이 문제를 해결하기 위해 다양한 스트리밍 서비스가 어떤 조치를 취하는지 보는 것은 흥미로울 것입니다. 한 가지는 확실합니다. 다른 많은 조직과 마찬가지로 이들도 분석의 힘을 활용하여 자신을 이끄는 의사 결정을 알리고 강화할 것입니다.
@Phil_Kay 기사를 공유해 주셔서 감사합니다.반복적인 학습 과정으로서의 실험에 대한 설명과 인과 관계 확립의 중요성이 정말 마음에 들었습니다.
훌륭한 게시물입니다. @HadleyMyers .
저는 Netflix가 데이터 분석을 통해 수행하는 일부 작업에 관해 꽤 많은 글을 작성했다는 사실을 공유하고 싶었습니다. 난 정말 재미 있었어 이 기사 데이터 과학자 중 한 명으로부터. 제가 정말 좋아하는 점은 수동적으로 수집된 데이터에서 금을 찾을 것으로 기대하는 것이 아니라 실험의 필요성을 인식한다는 것입니다. JMP 고객은 이를 알고 있지만 AI의 마법에 매료된 많은 조직은 이를 이해하지 못합니다.
…실험은 관찰 데이터를 기반으로 하는 대부분의 ML 접근 방식보다 우수하다고 생각할 수 있습니다. 우리는 ML 모델과 알고리즘을 연구하고 구축하는 데 상당한 노력을 기울이고 있습니다. 관찰된 데이터의 패턴을 주의 깊게 활용하는 것은 예측을 하고 가설을 재확인하는 데 강력하지만 인과 관계를 파악하기 위해 실험을 실행하는 것이 훨씬 더 강력합니다.
@HadleyMyers , 훌륭한 기사입니다.그러면 Netflix 비밀번호 사용을 중단해야 한다는 뜻인가요?
