Em 2006, a Netflix lançou um concurso público com prêmio de 1 milhão de dólares para qualquer equipe que melhorasse seu algoritmo de recomendação em pelo menos 10%. Mais de 40 mil times de pesquisadores participaram ao longo de três anos. A empresa não estava sendo generosa. Estava reconhecendo que a recomendação era seu problema mais crítico, e que resolvê-lo valia muito mais do que o prêmio oferecido, segundo análise da Stratoflow sobre a história do sistema da Netflix.
Hoje, mais de 80% de todo o conteúdo assistido na plataforma é descoberto por recomendação personalizada, não por busca ativa, segundo dados da própria Netflix. O algoritmo mantém usuários engajados que de outra forma não encontrariam conteúdo relevante por conta própria, e esse engajamento é o que impede cancelamentos em escala.
O algoritmo da Netflix não é um modelo único. É um conjunto de múltiplos modelos de machine learning operando simultaneamente, segundo documentação técnica pública da empresa. O filtro colaborativo analisa padrões entre usuários: se dois perfis assistiram às mesmas dez séries e o primeiro também assistiu a uma décima primeira, o sistema prevê que o segundo provavelmente vai gostar dela, sem precisar saber nada sobre o conteúdo em si.
O filtro baseado em conteúdo analisa os atributos do próprio material: gênero, elenco, ritmo narrativo e tom emocional. Os dois modelos se combinam antes de qualquer sugestão aparecer na tela.
A camada mais visível da personalização é a miniatura. A imagem exibida para cada título é escolhida algoritmicamente por perfil. Um usuário que prefere ação vê capas com tensão. Um usuário de dramas vê expressões emocionais. O mesmo filme pode ter dezenas de versões de capa testadas simultaneamente para segmentos diferentes, com o sistema medindo qual gera mais cliques para cada perfil.
Cada interação alimenta o sistema: o que foi assistido, onde foi pausado, em que horário, o que foi adicionado à lista mas nunca aberto. Dados implícitos de comportamento são tratados como mais confiáveis do que qualquer preferência declarada pelo usuário, o mesmo princípio que o Radar Tech documentou no artigo sobre o futuro dos comerciais de TV no streaming: plataformas de streaming conhecem o comportamento real de audiência com uma granularidade que a TV linear nunca conseguiu.
Segundo relatório da McKinsey citado pela Stratoflow, personalização efetiva baseada em comportamento aumenta satisfação do cliente em 20% e taxas de conversão em 10% a 15%. O modelo da Netflix é estudado por empresas de e-commerce, saúde e finanças como referência de como dados comportamentais substituem segmentação demográfica na entrega de experiência relevante.
Sobre a autora
Camila Domingues é publicitária e pesquisadora de tendências digitais. No Radar Tech, escreve sobre inteligência artificial, marketing e tecnologia com foco em aplicações práticas para quem vive e trabalha no mundo digital.
Radar Tech – Tecnologia descomplicada para o seu dia a dia
Gostou deste conteúdo? Compartilhe com alguém que precisa ficar por dentro do que está mudando no digital. E se quiser mais análises como essa, acompanhe o blog.
.jpg)
.jpg)
