Kürzlich stieß ich auf einen Artikel in den BBC World News mit dem Titel „Netflix erwägt ein hartes Vorgehen gegen die Weitergabe von Passwörtern“ Das hat mein Interesse geweckt und mich zum Nachdenken gebracht. Offenbar werden einige Netflix-Abonnements unter Verstoß gegen die Nutzungsbedingungen von mehreren Haushalten geteilt.
Dieses Problem betrifft nicht nur Netflix. Die meisten Streaming-Plattformen ermöglichen das gleichzeitige Ansehen von mehreren Geräten, indem sie „Benutzern erlauben, mehrere Profile zu erstellen“, wie der Artikel beschreibt und was jeder bestätigen kann, der in den letzten Jahren einen Streaming-Dienst genutzt hat. Was Benutzer nicht tun sollen, ist, Freunde oder Nachbarn, die nicht an derselben Adresse wohnen, ihr Abonnement nutzen zu lassen.
Ich muss sagen, dass ich sowohl ein großer Bewunderer als auch Kunde von Netflix bin. Mein Konto hat drei Profile: eines, das von mir verwendet wird, eines, das von meiner Frau verwendet wird, und eines, das von unseren drei Kindern geteilt wird. Es hat mich immer wieder überrascht, wie gut die in meinem Profil empfohlenen Sendungen meinen persönlichen Vorlieben entsprechen und wie sie sich von denen unterscheiden, die in den anderen Profilen stärker hervorgehoben werden.
Was die Analyse betrifft, ist Netflix ein äußerst ausgereiftes Unternehmen, und ich habe keinen Zweifel daran, dass es viele der gleichen Techniken anwendet, die bei der Empfehlung von Sendungen an mich und bei der Identifizierung von Verstößen gegen die Nutzungsbedingungen verwendet werden. Da ich jedoch über diesen 300-Wörter-BBC-Artikel und meine eigenen Erfahrungen mit der Plattform hinaus keinen Einblick in die Funktionsweise der Plattform habe, kann ich mir nur vorstellen, was diese Techniken sein könnten. Folgendes habe ich mir ausgedacht:
- Eine Option, die eindeutig nicht funktioniert, besteht darin, Anmeldungen mithilfe lokaler IP-Adressen zu bestätigen, die mit den physischen Adressen der Konten verknüpft sind. In den Tagen vor der Pandemie war ich ziemlich häufig unterwegs und habe mich oft mit meinem Profil von demselben iPad aus in Hotels in verschiedenen Städten oder sogar Ländern bei Netflix angemeldet. Ich bin mir sicher, dass es andere gibt, die mehrere Wohnungen haben und von dort aus Netflix schauen. Ich habe Leute gesehen, die in öffentlichen Verkehrsmitteln Netflix mit ihren Handys geschaut haben. Dies alles ist gemäß den Nutzungsbedingungen erlaubt, und Maßnahmen zu seiner Verhinderung würden sicherlich viele treue Kunden verärgern.
- Die aktuelle Testversion, bei der ein Konto per E-Mail oder SMS verifiziert wird, könnte einige Leute ebenfalls verärgern. Ich kann mir leicht Szenarien vorstellen, in denen ich gerade in dem Moment unerreichbar bin, in dem meine 3-Jährige versucht, Peppa Pig anzuschauen, und aufgefordert wird, ihr Konto durch eine an mein Telefon gesendete SMS zu bestätigen. Das anschließende Schreien (nicht wirklich, sie ist ein tolles und verständnisvolles Kind, aber bleiben Sie dabei bei mir) würde durch den sofortigen Wechsel zu Disney+ und vielleicht auch durch den Wechsel nie wieder besänftigt.
Es gibt Situationen, bei denen es sich mit größerer Wahrscheinlichkeit um tatsächliche Verstöße handelt, wie z. B. ständige Anmeldungen bei demselben Konto während der Hauptsendezeit an mehreren sich wiederholenden geografischen Standorten innerhalb derselben Stadt oder die tägliche gleichzeitige Nutzung in verschiedenen Ländern oder Kontinenten. Auch innerhalb dieser Vorkommnisse mag es vereinzelte Fälle legitimer Nutzung geben, diese sind jedoch kaum vorstellbar und dürften sicherlich in der Minderheit sein.
Laut dem zuvor erwähnten BBC-Artikel, der die gesamte Recherche zu diesem Thema bildet, hat Netflix „jetzt mehr als 200 Millionen Abonnenten auf der ganzen Welt“. Wenn es einen sinnvollen Versuch unternehmen will, dieses Problem anzugehen, muss es sich an die Analytik wenden, um Hilfe zu erhalten. Ein wirklich guter Ausgangspunkt könnte einer der mehreren verfügbaren unbeaufsichtigten Lernalgorithmen sein JMP, wie etwa hierarchisches Clustering.
Durch unüberwachtes Lernen können Benutzer mit ähnlichen Sehgewohnheiten in Cluster eingeteilt werden, ohne dass diese Gewohnheiten im Voraus identifiziert werden müssen. Im folgenden Beispiel werden 15.100 Internetnutzer anhand von 51 Nutzungsmetriken in fünf Cluster gruppiert. Wie in Abbildung 1 zu sehen ist, enthalten nicht alle Cluster die gleiche Anzahl an Benutzern. Tatsächlich umfassen die Cluster 2, 3 und 5 insgesamt nur 25 Benutzer. Wenn dies mein Datensatz wäre, würde ich mir diese Cluster genauer ansehen, um zu verstehen, wie sie sich von den übrigen 15.075 Personen unterscheiden.
Abbildung 1: Zählungen für fünf Cluster für einen Datensatz mit Internetnutzungsgewohnheiten von 15.100 (links) und ein von der hierarchischen Clustering-Plattform in JMP erstelltes Dendrogramm.
Diese Informationen sind im Parallelkabeldiagramm unten in Abbildung 2 zu finden, wo jede Linie einen Cluster darstellt. Betrachtet man das äußerste linke Ende des Diagramms, scheint es, dass die drei Benutzer in Cluster 5 im Durchschnitt eine größere tot_HO (Gesamtstunden online) hatten als die Benutzer in allen anderen Clustern im Durchschnitt. Dies könnte eine der Kennzahlen sein, die diesen Cluster von den anderen unterscheidet. Es gibt auch andere, wie in den Teilen der Handlung angegeben, in denen die Linien abweichen.
Abbildung 2: Parallelkabeldiagramm, das zeigt, 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 am wahrscheinlichsten gegen ihre Servicevereinbarungen verstoßen. Das Schöne an JMP ist, dass die Plattformen zunächst, wenn sich nichts Konkretes ergibt, so konzipiert sind, dass Analysten die Daten weiter untersuchen können, bis ihnen etwas Sinnvolles auffällt. 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 herauszufinden, ob es Unterschiede in ihren Nutzungsgewohnheiten gibt. Dies könnte darauf hindeuten, dass bei einigen Konten mehrere Haushalte Passwörter teilten und die Warnungen beachtet wurden. Ein klares Ergebnis wäre, dies als Test in einer lokalisierten Region durchzuführen und zu sehen, ob es in den darauffolgenden Tagen oder Wochen zu einem Anstieg der Abonnements kommt.
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 % können auf Verstöße hindeuten, das Unternehmen kann sich jedoch für einen konservativeren Ansatz entscheiden und nur Benutzer mit einer Wahrscheinlichkeit von beispielsweise 70 % als potenzielle Verstöße betrachten. Dies kann durch Anpassen des Wahrscheinlichkeitsschwellenwerts zur Optimierung der Verwirrungsmatrix erreicht werden – diese und andere Optionen sind in JMP zu finden. Die Ergebnisse dieses Modells könnten sogar nach Wahrscheinlichkeit in Gruppen eingeteilt werden, wobei unterschiedliche Aktionen für diese Klassen durchgeführt würden. Beispielsweise können Benutzerkonten gesperrt werden, deren Gewohnheiten darauf hindeuten, dass die Wahrscheinlichkeit von Verstößen bei 99 % liegt, während bei Benutzern über 80 % möglicherweise Warnungen gesendet werden.
Hier muss eine Streaming-Plattform, die die Weitergabe von Passwörtern stoppen möchte, einige Entscheidungen darüber treffen, was sie erreichen möchte, wo ihre Prioritäten liegen und was sie unbedingt vermeiden möchte. Ohne sorgfältige Überlegung könnte dieser Prozess dazu genutzt werden, unbeabsichtigt Modelle zu entwickeln, die unfair und fälschlicherweise auf Minderheitenbevölkerungen abzielen. Oder falsche Vermutungen können dazu führen, dass zahlreiche legitime Benutzer ihren Dienst kündigen und zu einem Konkurrenten wechseln. Dies unterstreicht, wie wichtig es ist, in jeden Schritt dieses Prozesses die menschliche Aufsicht einzubeziehen, insbesondere die Bewertung der Modelle durch Menschen mit Logik und gesundem Menschenverstand. Es gibt viele Beispiele dafür, dass Unternehmen auf die harte Tour lernen, welche Auswirkungen Maschinen auf ihre Marke haben, wenn sie sich selbst überlassen werden.
Vielleicht haben Streaming-Unternehmen neben den Abonnementgebühren auch Möglichkeiten, die Zuschauerzahl zu monetarisieren, etwa durch Produktplatzierung, und entscheiden sich lieber für mehr Zuschauer als für weniger. Natürlich wäre die Art der Informationen, die benötigt werden, bevor diese Entscheidungen getroffen werden, wie viele Zuschauer gewonnen werden und wie viele Abonnementgebühren verloren gehen. JMP kann in jedem Schritt dieses Prozesses verwendet werden. Unsere Software ermöglicht es Fachexperten, große und komplexe Datensätze zu durchforsten, bis Erkenntnisse entstehen, die nur sie als Experten verstehen können. Darüber hinaus ermöglicht es diesen Experten, die Erkenntnisse zu destillieren und sie auf eine Weise zu präsentieren, die von den Stakeholdern leicht verdaut werden kann, wodurch sichergestellt wird, dass alle daraus resultierenden Maßnahmen mit den strategischen Anforderungen des Unternehmens übereinstimmen.
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 Unternehmen auch, die Leistungsfähigkeit der Analyse genutzt haben, um die Entscheidungen, die ihnen zugrunde liegen, zu informieren und zu verbessern.
Guter Eintrag, @HadleyMyers .
Ich wollte nur mitteilen, dass Netflix ziemlich viel über einige Dinge schreibt, die sie mit Datenanalysen machen. Ich habe es wirklich genossen Dieser Artikel von einem ihrer Datenwissenschaftler. Was mir wirklich gefällt, ist, dass sie die Notwendigkeit des Experimentierens erkennen und nicht nur erwarten, Gold in passiv gesammelten Daten zu finden. JMP-Kunden wissen das, aber viele Unternehmen, 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 Aufwand in die Erforschung und Entwicklung von ML-Modellen und -Algorithmen. Die sorgfältige Ausnutzung von Mustern in beobachteten Daten ist hilfreich, um Vorhersagen zu treffen und Hypothesen zu bestätigen. Noch wirkungsvoller ist es jedoch, Experimente durchzuführen, um Kausalitäten zu ermitteln.
