Kürzlich bin ich auf einen Artikel in den BBC World News mit dem Titel gestoßen "Netflix erwägt ein scharfes Vorgehen gegen die gemeinsame Nutzung von Passwörtern" das hat mein Interesse geweckt und mich zum Nachdenken gebracht. Anscheinend werden einige Netflix-Abonnements unter Verstoß gegen die Nutzungsbedingungen von mehreren Haushalten geteilt.
Dieses Problem betrifft nicht nur Netflix. Die meisten Streaming-Plattformen ermöglichen die gleichzeitige Anzeige von mehreren Geräten aus, indem „Benutzern das Erstellen mehrerer Profile ermöglicht wird“, wie im Artikel beschrieben und was jeder bestätigen kann, der in den letzten Jahren einen Streaming-Dienst verwendet hat. Was Benutzer nicht tun sollen, ist, Freunde oder Nachbarn, die nicht an derselben Adresse wohnen, ihr Abonnement verwenden zu lassen.
Ich muss sagen, dass ich sowohl ein großer Bewunderer von Netflix als auch ein Kunde bin. Mein Konto hat drei Profile: eines von mir, eines von meiner Frau und eines, das von unseren drei Kindern geteilt wird. Es hat mich immer wieder überrascht, wie gut die in meinem Profil empfohlenen Shows mit meinem persönlichen Geschmack übereinstimmen und wie sie sich von denen unterscheiden, die in den anderen Profilen stärker hervorgehoben werden.
In Bezug auf die Analytik ist Netflix ein äußerst ausgereiftes Unternehmen, und ich habe keinen Zweifel daran, dass es viele der gleichen Techniken einsetzt, die mir bei der Empfehlung von Shows verwendet werden, wie bei der Identifizierung von Verstößen gegen die Nutzungsbedingungen. Da ich jedoch über diesen 300-Wörter-BBC-Artikel hinaus keine Einblicke in das Innenleben und meine eigenen Erfahrungen mit der Plattform habe, kann ich mir nur vorstellen, wie diese Techniken aussehen könnten. Folgendes habe ich mir ausgedacht:
- Eine Option, die eindeutig nicht funktioniert, besteht darin, Anmeldungen mit lokalen IP-Adressen zu bestätigen, die mit den physischen Adressen der Konten verknüpft sind. In den Tagen vor der Pandemie war ich häufig unterwegs und habe mich häufig mit meinem Profil von demselben iPad aus Hotels in verschiedenen Städten oder sogar Ländern bei Netflix angemeldet. Ich bin sicher, dass es andere gibt, die mehrere Residenzen haben, von denen aus sie Netflix sehen. Ich habe Leute gesehen, die Netflix mit ihren Handys in öffentlichen Verkehrsmitteln gesehen haben. Dies alles ist unter den Nutzungsbedingungen zulässig, und Maßnahmen zu ergreifen, um dies zu verhindern, würde sicherlich viele treue Kunden erschweren.
- Die aktuelle Testversion, bei der ein Konto mithilfe einer E-Mail oder einer Textnachricht überprüft wird, kann einige Personen gleichermaßen ärgern. Ich kann mir leicht Szenarien vorstellen, in denen ich gerade nicht erreichbar bin, wenn meine 3-jährige versucht, Peppa Pig zu beobachten, und gebeten wird, ihr Konto durch einen an mein Telefon gesendeten Text zu überprüfen. Das Schreien, das sich daraus ergeben würde (nicht wirklich, sie ist ein großartiges und verständnisvolles Kind, aber bleib bei mir), würde besänftigt werden, wenn man sofort zu Disney + wechselt und vielleicht nie wieder zurück wechselt.
Es gibt Situationen, in denen es sich höchstwahrscheinlich um tatsächliche Verstöße handelt, z. B. konsistente Anmeldungen bei demselben Konto zur Hauptsendezeit an mehreren sich wiederholenden geografischen Standorten innerhalb derselben Stadt oder die tägliche gleichzeitige Verwendung in verschiedenen Ländern oder Kontinenten. Es kann auch innerhalb dieser Fälle vereinzelte Fälle legitimer Nutzung geben, aber sie sind schwer vorstellbar und würden sicherlich in der Minderheit sein.
Laut dem zuvor erwähnten BBC-Artikel, der die Gesamtheit meiner Forschung zu diesem Thema bildet, hat Netflix "jetzt mehr als 200 Millionen Abonnenten auf der ganzen Welt". Wenn es sinnvoll sein soll, dieses Problem zu lösen, muss es sich an Analytics wenden, um Hilfe zu erhalten. Ein wirklich guter Ausgangspunkt kann einer von mehreren unbeaufsichtigten Lernalgorithmen sein, die in verfügbar sind JMP, wie hierarchisches Clustering.
Durch unbeaufsichtigtes Lernen können Benutzer mit ähnlichen Sehgewohnheiten in Cluster eingeteilt werden, ohne diese Gewohnheiten im Voraus identifizieren zu müssen. Im folgenden Beispiel werden 15.100 Internetbenutzer mithilfe von 51 Nutzungsmetriken in fünf Cluster gruppiert. Wie in Abbildung 1 zu sehen ist, enthalten nicht alle Cluster die gleiche Anzahl von Benutzern. Tatsächlich enthalten die Cluster 2, 3 und 5 nur 25 Benutzer. Wenn dies mein Datensatz wäre, würde ich mir diese Cluster genauer ansehen, um zu verstehen, wie sie sich von den verbleibenden 15.075 Personen unterscheiden.
Abbildung 1: Zählt für fünf Cluster für Datensätze mit Internetnutzungsgewohnheiten von 15.100 (links) und Dendrogramm, die von der hierarchischen Clustering-Plattform in JMP erstellt wurden.
Diese Informationen finden Sie im Diagramm der parallelen Schnur unten in Abbildung 2, in dem jede Linie einen Cluster darstellt. Betrachtet man das äußerste linke Ende des Diagramms, so scheinen die drei Benutzer in Cluster 5 im Durchschnitt ein größeres tot_HO (Gesamtstunden online) zu haben als die Benutzer in einem der anderen Cluster im Durchschnitt. Dies kann eine der Metriken sein, die diesen Cluster von den anderen unterscheidet. Es gibt auch andere, wie in den Abschnitten des Diagramms angegeben, in denen die Linien abweichen.
Abbildung 2: Parallele Kabeldiagramme, die zeigen, wie sich die Nutzungsgewohnheiten für jeden der fünf Cluster unterscheiden.
Der nächste Schritt wäre, diese Unterschiede zu berücksichtigen und logisch darüber nachzudenken, welche Cluster aus Benutzern bestehen, die höchstwahrscheinlich gegen ihre Servicevereinbarungen verstoßen. Das Schöne an JMP ist, dass die Plattformen so konzipiert sind, dass Analysten die Daten so lange untersuchen können, bis etwas Sinnvolles herausspringt, wenn nichts Konkretes auftaucht. Sobald dies geschieht, haben sie eine gute Vorstellung von den Konten, auf die die Warnungen abzielen.
Von dort aus könnte eine Streaming-Plattform wie Netflix diese Konten überwachen, um festzustellen, ob es Unterschiede in ihren Nutzungsgewohnheiten gibt. Dies könnte darauf hinweisen, dass einige der Konten mehrere Haushalte hatten, die Passwörter teilten, und die Warnungen beachtet wurden. Ein klares Ergebnis wäre, dies als Test in einer lokalisierten Region durchzuführen und festzustellen, ob in den folgenden Tagen oder Wochen ein Anstieg der Abonnements zu verzeichnen ist.
All dies könnte die Grundlage für einen Trainingsdatensatz und die Entwicklung eines Modells sein, um die Wahrscheinlichkeit abzuschätzen, dass ein Benutzer Verstöße begeht. Wahrscheinlichkeiten von mehr als 50% deuten möglicherweise auf Verstöße hin, aber das Unternehmen entscheidet sich möglicherweise für einen konservativeren Ansatz und betrachtet Benutzer mit einer Wahrscheinlichkeit von über 70% nur als potenzielle Verstöße. Dies kann durch Anpassen des Wahrscheinlichkeitsschwellenwerts erfolgen, um die Verwirrungsmatrix zu optimieren. Diese und andere Optionen sind in JMP enthalten. Die Ergebnisse dieses Modells könnten sogar nach Wahrscheinlichkeit gruppiert werden, wobei unterschiedliche Maßnahmen für diese Klassen ergriffen werden. Beispielsweise können Benutzer mit Gewohnheiten, die eine 99% ige Wahrscheinlichkeit von Verstößen anzeigen, ihre Konten sperren lassen, während Benutzern über 80% Warnungen gesendet werden.
Hier muss eine Streaming-Plattform, die das Teilen von Passwörtern beenden möchte, einige Entscheidungen darüber treffen, was sie erreichen möchte, wo ihre Prioritäten liegen und was sie unbedingt vermeiden möchte. Ohne sorgfältige Überlegung kann dieser Prozess verwendet werden, um versehentlich Modelle zu entwickeln, die unfair und falsch auf Minderheiten abzielen. Oder schlechte Vermutungen können dazu führen, dass zahlreiche legitime Benutzer ihren Dienst kündigen und zu einem Konkurrenten wechseln. Dies unterstreicht die Bedeutung der Einbeziehung der menschlichen Aufsicht in jeden Schritt dieses Prozesses, einschließlich und insbesondere der Bewertung der Modelle durch Menschen unter Verwendung von Logik und gesundem Menschenverstand. Es gibt viele Beispiele für Unternehmen, die auf die harte Tour lernen, was Maschinen mit ihrer Marke machen, wenn sie sich selbst überlassen.
Vielleicht haben Streaming-Unternehmen neben den Abonnementgebühren, wie z. B. der Produktplatzierung, Möglichkeiten, die Zuschauerzahl zu monetarisieren, und würden sich lieber auf die Seite von mehr Zuschauern als von weniger irren. Wie viele Zuschauer im Vergleich zu verlorenen Abonnementgebühren gewonnen haben, ist natürlich die Art von Informationen, die benötigt werden, bevor diese Entscheidungen getroffen werden. JMP kann in jedem Schritt dieses Prozesses verwendet werden. Unsere Software ermöglicht es Domain-Experten, große und komplexe Datenmengen zu durchsuchen, bis Erkenntnisse entstehen, die nur sie als Experten verstehen können. Darüber hinaus können diese Experten die Erkenntnisse destillieren und auf eine Weise präsentieren, die von den Stakeholdern leicht verdaut werden kann, um sicherzustellen, dass die daraus resultierenden Maßnahmen auf die strategischen Anforderungen des Unternehmens abgestimmt sind.
Es wird interessant sein zu sehen, welche Maßnahmen die verschiedenen Streaming-Dienste ergreifen, um dieses Problem in Zukunft anzugehen. Eines ist sicher: Sie werden, wie viele andere Organisationen, die Möglichkeiten der Analytik genutzt haben, um die Entscheidungen, die sie antreiben, zu informieren und zu erweitern.
Guter Eintrag, @ HadleyMyers .
Ich wollte nur mitteilen, dass Netflix einiges über einige der Dinge schreibt, die sie mit Datenanalysen machen. Ich habe es wirklich genossen Dieser Artikel von einem ihrer Datenwissenschaftler. Was ich wirklich mag, war, dass sie die Notwendigkeit des Experimentierens erkennen und nicht nur erwarten, Gold in passiv gesammelten Daten zu finden. JMP-Kunden wissen das, aber viele Organisationen, die von der Magie der KI verführt wurden, verstehen es einfach nicht.
… Experimente können als den meisten ML-Ansätzen überlegen angesehen werden, die auf Beobachtungsdaten basieren. Wir investieren viel in die Erforschung und Erstellung von ML-Modellen und -Algorithmen. Das sorgfältige Ausnutzen von Mustern in beobachteten Daten ist hilfreich, um Vorhersagen zu treffen und Hypothesen zu bestätigen. Es ist jedoch noch leistungsfähiger, Experimente durchzuführen, um die Ursache zu ermitteln.
