admin 
Você tem um amigo ou membro da família cujo gosto por filmes é igual ao seu e, se eles recomendarem um programa, você sabe que vai adorar? Por outro lado, você tem outro amigo que está sempre pedindo para você assistir ao seu novo programa de TV favorito, mas você aprendeu com uma experiência dolorosa que, se eles amam um programa, é 99% certo que o entediarão às lágrimas? É da natureza humana aplicar toda uma carga de nossa própria experiência e suposições a qualquer recomendação de terceiros. Os feitos por serviços de streaming não são exceção.
As recomendações personalizadas podem ser um poderoso impulsionador do envolvimento do conteúdo – alguns de nossos clientes observaram uma melhoria de 300% na conversão de trilhos personalizados. O uso de personalização também está aumentando.
Quando eu entrevistou Caroline Carodozo, Diretora de Personalização e Descoberta da Sky Europe, ela me disse que mais de 50% dos trilhos nas várias UIs da Sky são automatizados ou personalizados e que o número estava aumentando o tempo todo. Ela também revelou que a equipe da Sky se refere à personalização internamente como um “recurso de halo”, que eles esperam que seja “um conforto e prazer” para os consumidores, ajudando-os a encontrar conteúdo que já conhecem e amam, mas também novos materiais que eles não tinha ouvido falar antes que poderia em breve ser o seu novo favorito.
Suas recomendações de conteúdo estão à altura?
Mas, assim como você não pode segmentar todos os consumidores com as mesmas recomendações, você não pode adotar um “tamanho único” para todas as diferentes áreas do seu aplicativo. É importante combinar sua abordagem e seus algoritmos com seu público-alvo e seus objetivos específicos.
Para a maioria dos serviços de streaming, seus primeiros experimentos de personalização vêm com um trilho de conteúdo derivado de algoritmos chamado “Recomendado para você”. Eles também podem adicionar uma seção “Mais popular” ou “Tendência” que é orientada por dados, mas geralmente não é personalizada por usuário. Mesmo aqui, nesses primeiros passos para maximizar o engajamento usando os dados já disponíveis em seu serviço de streaming, há sutilezas que podem afetar sua taxa de sucesso.
FOMO em ação
Títulos de linha como “Mais populares”, “Tendências” e “O que está em alta agora” funcionam um pouco como uma classificação de cinco estrelas em um produto em sua pesquisa de compras online. Eles são um “convictor”, dizendo que vale a pena arriscar em uma série ou filme. Eles também jogam com o medo de perder (FOMO) de um usuário no atual hot show sobre o qual todos os seus amigos estarão falando. Mas os modelos de dados por trás deles devem ser sutilmente diferentes.
Para a maioria dos serviços de streaming, uma linha “Mais popular” é gerada por estatísticas puras – os itens de conteúdo que tiveram mais visualizações nos últimos sete ou 30 dias (dependendo da frequência de visitas do seu espectador médio). Para alguns serviços de streaming, isso significa que os cinco primeiros slots podem ser preenchidos pelos cinco episódios mais recentes de seu programa principal. Isso é ótimo para os fãs desse programa que desejam alcançá-lo rapidamente, mas você precisa de um modelo diferente para todos os outros.
“Trending” deve envolver mais sutileza. Geralmente recomendamos aos nossos clientes que o modelo por trás do trilho de tendências é o que é popular agora mesmo— descobrimos que funciona melhor quando medido nas últimas 3 horas. Isso significa que, se você estiver visitando o aplicativo no meio do dia, verá uma seção de tendências muito diferente (talvez envolvendo programas para crianças em idade pré-escolar e programas de melhoria da casa) do que se visitar mais tarde na mesma noite quando pode obter dramas e mais conteúdo orientado para adultos.
Criaturas de hábito
“More Like This” (MLT) e “Because You Watched” (BYW) são orientados por um modelo de dados conteúdo a conteúdo. Em termos de ciência de dados, você está dando mais importância à correlação de metadados do que qualquer outra técnica de ciência de dados usada na geração de recomendações, como filtragem colaborativa do usuário, por exemplo.
Tanto o MLT quanto o BYW são projetados para fazer conexões inspiradoras entre itens de conteúdo para ajudar os fãs de um item a encontrar mais coisas para assistir que sejam tematicamente semelhantes. Essas recomendações funcionam com a teoria de que os humanos são criaturas de hábitos e encontram conforto em assistir mais conteúdo na mesma esfera. Nós sempre queremos ver mais dramas Scandi-noir na minha casa! O estado de espírito também é importante. Mesmo que um usuário não consiga descrever o humor em que está, ele sabe que a série legal que amou no ano passado é o tipo de coisa que procura, então procurará algo assim para dar-lhe um abraço reconfortante .
A escolha do nome que você usa para este modelo depende do posicionamento em seu aplicativo. MLT é melhor para uma página de conteúdo mais profunda. Se um usuário clicar no Top Gun página para chafurdar em alguma nostalgia, uma lista de conteúdo recomendado assim pode convencê-los a tentar algo novo, mas tranquilizadoramente semelhante no catálogo. Isso expande o alcance da visualização e promove o valor percebido do seu serviço. BYW faz a mesma coisa, mas é mais adequado para a página inicial ou páginas de gênero dentro do seu serviço. Uma linha de conteúdo intitulada “Porque você assistiu Top Gun” permite que alguém que está navegando aleatoriamente abrevie seu processo de tomada de decisão. Costumamos basear BTW nos últimos três programas que essa família assistiu e alternar o programa entre as sessões.
As recomendações de conteúdo para conteúdo (MLT e BYW) também parecem menos “assustadoras” para determinados grupos de usuários. Quando dizemos que um grupo de programas é semelhante a algo que você já assistiu, é fácil entender nosso pensamento. No entanto, para algumas pessoas, a ideia de que um serviço de streaming pode “recomendar um programa só para você” é um pouco desafiadora. Eles podem ter uma reação muito mais cínica aos trilhos “Recomendado para você” e podem responder melhor às recomendações de conteúdo para conteúdo que consideram menos invasivas.
Expandindo seus horizontes
Com “Recomendado para você” (RFY), o modelo deve ser menos sobre correspondências de metadados e mais sobre o comportamento de outros usuários. Isso é menos sobre FOMO e mais sobre surpreender o usuário com uma recomendação de algo que ele nunca iria procurar, mas na verdade acha muito interessante – sem ir tão longe a ponto de recomendar filmes de terror para alguém que assiste exclusivamente a programas de jardinagem!
Você também precisa pensar em onde o RFY está na jornada desse cliente na página. Eles provavelmente passaram por cima do banner do herói, os trilhos “Mais populares e “Tendentes” para chegar onde estão agora. Então, eles provavelmente já viram todo o conteúdo grande, novo e brilhante. O RFY é sobre explorar a variedade de conteúdo que você tem que funciona para esse indivíduo, portanto, não deve ser muito pesado em relação às métricas de popularidade.
O termo de ciência de dados que usamos é “filtragem colaborativa”. O RFY é uma ótima maneira de fazer com que seus clientes experimentem algo fora de sua esfera normal de interesse. O modelo pode determinar que uma porcentagem significativa de pessoas que assistiram a um determinado programa de jardinagem também assistiram a várias séries de melhorias domésticas em seu catálogo, por exemplo. Escolher RFY em vez de MLT ou BYW também ajudará a manter seu aplicativo atualizado. Se você tiver apenas um pequeno número de programas de jardinagem em oferta, eventualmente a correspondência de metadados ficará sem conteúdo novo para sugerir e suas recomendações começarão a parecer obsoletas. Com o RFY, você pode pular para outras partes de sua biblioteca.
Então, qual é o melhor para aumentar o engajamento?
Não há uma resposta única para esta pergunta. Mas você pode usar todos eles em diferentes cenários e para enfrentar diferentes desafios específicos. Usados corretamente, esses modelos podem ser combinados para melhorar a experiência do usuário e aumentar o engajamento. Como eu avisei anteriormente, alguns públicos consideram “Recomendado para você” um pouco intrusivo. Outros serviços têm igual sucesso com RFY e BYW.
Podemos fazer recomendações com base em nossa experiência com outros serviços de streaming, mas a única maneira de realmente saber o melhor caminho para sua público específico é o extenso teste A/B com diferentes modelos e diferentes rótulos. Tivemos até clientes que viram um aumento decente no engajamento simplesmente renomeando um trilho de conteúdo em seu aplicativo de algo como “Tendência” para “O que está em alta agora” para refrescar o UX um pouco. Como eu disse no início desta série de artigosas recomendações não podem ser um processo do tipo “configure e esqueça”.
No meu próximo artigo, examinarei uma área frequentemente negligenciada do setor imobiliário de aplicativos, onde a personalização pode ter um grande impacto na “aderência” do consumidor – o momento pós-jogo. Se você quiser saber mais, você também pode baixar o guia eletrônico da 24i: Cinco estratégias de aumento de engajamento que todo serviço de streaming deve adotar agora.
[Editor’s note: This is a contributed article from 24i. Streaming Media accepts vendor bylines based solely on their value to our readers.]
Artigos relacionados
Você tem correio (personalizado)! É hora de levar recomendações além da interface do aplicativo
As recomendações de conteúdo personalizado são um tópico importante no streaming. Estendê-los para seus e-mails e outras mensagens de marketing é uma maneira lógica de aumentar as visitas repetidas aos seus aplicativos e neutralizar a rotatividade.
07 de setembro de 2022
Maneiras modernas de maximizar metadados para melhor descoberta e recomendações de conteúdo
A qualidade dos metadados costuma ser o maior desafio para qualquer serviço de streaming que busca aumentar o envolvimento do conteúdo com recomendações direcionadas. O aprendizado de máquina pode ajudar?
30 de agosto de 2022
Além da compulsão: aproveitando ao máximo os momentos pós-jogo para aumentar o engajamento
Muitos serviços de streaming têm assistido compulsivamente para conteúdo episódico, mantendo os espectadores viciados em suas séries mais quentes com a reprodução automática da próxima parcela. Mas você está desperdiçando uma oportunidade de ouro de recomendar um novo conteúdo no final de uma série ou quando um espectador termina de assistir a conteúdo não episódico?
22 de agosto de 2022
Vença as guerras de streaming com conteúdo Bingeable
Tornar-se viral no espaço de streaming é uma tarefa mais difícil do que quando o público cunhou o termo “binge-watching”, já que as plataformas de streaming começaram a lançar temporadas completas de conteúdo de uma só vez. Mas e se, mesmo em um espaço cada vez mais lotado, proprietários e compradores de conteúdo pudessem usar dados para determinar se o conteúdo aumentará a audiência – ou se pode até ser digno de compulsão?
10 de agosto de 2022
Curadoria editorial versus automação: qual é a maneira mais bem-sucedida de aumentar o engajamento?
Maior envolvimento com o conteúdo é o santo graal do streaming. Mais olhos em uma variedade maior de conteúdo é ótimo para combater a rotatividade e aumentar a receita de publicidade. Mas onde você deve investir seu esforço – em curadoria editorial ou recomendações baseadas em dados?
09 de agosto de 2022
Uma nova era de guerras de streaming está aqui – e essa batalha está se tornando pessoal
Em meio a uma concorrência acirrada, os serviços de streaming estão buscando novas estratégias de personalização para aumentar o envolvimento do conteúdo, combater a rotatividade, aumentar a receita de publicidade e incentivar os usuários a retornar aos seus aplicativos. Quais abordagens novas e emergentes baseadas em dados devem ser usadas pelos serviços de streaming para aumentar a experiência do usuário de descoberta de conteúdo?
02 de agosto de 2022
Empresas e fornecedores mencionados
