Антикризисные рекомендации

 
Григорий Кузин, эксперт по цифровым медиа-технологиямГригорий Кузин, эксперт по цифровым медиатехнологиям:
 

В кризис принимаются особо важные решения, которые определяют дальнейшую судьбу любого медиабизнеса. Быть или не быть. Либо снижать издержки и потерять позиции на рынке (например, по доле аудитории или по продажам контента). Либо пользоваться моментом и, наоборот, отрываться от конкурентов, вкладываясь в развитие. Но больше всего хочется найти такой рецепт, чтобы и развиваться, и почти ничего не вкладывать в это. Именно поэтому я хочу рассказать о рекомендательном сервисе.
 
Прежде чем перейти к технологии и объяснить, почему это может быть доступно даже в кризис, приведу два примера того, как это может принести пользу вашему медиабизнесу.
 

Пример для оператора спутникового или кабельного ТВ

 

Для простоты возьмем упрощенный пример со зрителем – фанатом автомобилей.  Зритель открывает EPG – навигатор по программам передач, и сразу видит специально для него созданную персональную подборку. Во-первых, в списке каналов сначала идут автомобильные, во-вторых, в программах других каналов автоматически отмечены передачи про автомобили, например, Формула 1 на «Евроспорте».  В-третьих, зрителю рекомендуется подключить за деньги дополнительный тематический канал «Автоплюс», в четвертых – заказать в сервисе видеопозапросу (VoD) художественный фильм «Форсаж 7».

В результате зритель: а) останется доволен, удовлетворена его страсть к автомобилям, азначит, он останется с этим оператором и дальше; б) больше закажет дополнительных услуг, а значит, принесет больше денег оператору. Таким образом, рекомендательный сервис для оператора позволяет повысить ARPU и снизить отток абонентов – в кризис это важно.
 
По исследованиям Cox Communication абоненты, которые получали персональные рекомендации от оператора, оплатили контента на 50-60% больше, чем в среднем; после внедрения рекомендаций отток пользователей снизился почти в два раза – с 20% до 12%.
 

Пример для телеканала

 

Зритель, любитель Индии, запускает на планшете мобильное приложение, например, телеканала «Пятница». Перед ним открывается персонализированная главная страница. Зритель видит, что прямо сейчас в эфире идет шоу «Орел и Решка» про Китай, и он может подключиться к его просмотру в режиме линейного вещания, но как любителю Индии ему также предлагается найденная в архиве запись шоу «Орел и Решка» про Индию. В программе передач зритель увидит рекомендацию посмотреть новый эпизод сериала «Махабхарата» и включить оповещение на смартфон о его начале. Если он не посмотрел предыдущие эпизоды, то сервис предложит ему подписаться на весь сериал сразу для просмотра в режиме VoD.
 
В результате: а) увеличится продолжительность телесмотрения данного канала; б) рекомендуемые дополнительные услуги (VoD – видеопозапросу, Catchup – отложенный просмотр) принесут телеканалу дополнительный доход. Кроме того, телеканал заработает лояльность зрителей и получит более точное и детальное измерение своей аудитории.
 
По исследованиям Cox Communication после внедрения персональных рекомендаций 32% зрителей стали смотреть телевизор больше и 56% зрителей через рекомендации узнали о контенте, о котором ранее не знали.
 
В приведенных примерах я для наглядности задействовал только самый простой метод рекомендаций по совпадению жанра. На самом деле алгоритмы современных рекомендательных сервисов куда более сложные и более точные. Поэтому важно не только прийти к пониманию необходимости рекомендательного сервиса, но и выбрать максимально подходящий для вас вариант.

 

Технологии рекомендаций

Рекомендательный сервис – это, в первую очередь, программный продукт. Сервис получает исходные данные от каждого отдельного пользователя, точнее от используемых им устройств (Smart TV телевизора, компьютера, мобильного устройства, ТВприставки), задействованных приложений, социальных сетей.
 
Стоит отметить важный момент: в рекомендательном сервисе не нужны персональные данные, которые строго регулируются законодательством, здесь пользователь – это не персона с ФИО и т. д., а только ID и набор параметров. Сервис анализирует полученные от пользователя данные по алгоритмам, соединяющим, как правило, сразу несколько методов рекомендаций, и выдает для данного конкретного пользователя рекомендацию – какой набор видеоконтента предлагается посмотреть.
 
Можно выделить 3 базовых метода, которые обязательно присутствуют во всех современных профессиональных рекомендательных сервисах:
 

  • персональные рекомендации – базируются на информации из профиля пользователя и истории его активностей, таких как просмотренные фильмы и проставленные оценки в рейтингах;
  • рекомендации, базирующиеся на контенте, – они основаны на сходстве метаданных, таких как жанр, актеры, режиссер, год релиза;
  • совместные рекомендации – рекомендации, основанные на логике «люди, которые смотрят это, также смотрят …», т. е. на активности похожих пользователей.
 
Эти методы используются в таких мощных рекомендательных сервисах, как Content Wise, Impress TV, Jinni, Rovi, Think Analytics, X road media. Различие между ними – в задействованных дополнительных методах. У каждого из решений – свой набор дополнительных методов, и это сильно влияет на их стоимость. Поэтому при выборе оптимального решения для вас желательно понимать эту разницу. Таких фирменных методов достаточно много, приведу пару экзотических примеров:
  • Групповые рекомендации – когда у телевизора собирается семья или компания друзей, рекомендательный сервис предлагает к просмотру фильм или телешоу с учетом  интересов каждого участника группы.
  • Рекомендации, зависящие от устройства – сервис учитывает, какой контент на каком устройстве пользователь предпочитает смотреть. Например, новости – на планшете, фильмы – на телевизоре.

 

Минимальный CAPEX

 

SaaS

Теперь о том, почему это доступно. Рекомендательный сервис может быть реализован как серверное решение в вашей сети. При этом возникнут определенные начальные затраты на оборудование, ПО, инсталляцию, интеграцию, расходы на поддержку, обслуживание, модернизацию. Это для многих – не лучший вариант в кризисный период.
 
Гораздо более привлекательным выглядит облачный рекомендательный сервис (SaaS). Начальные затраты сводятся только к адекватной небольшой сумме за подключение. Сервис оплачивается ежемесячным арендным платежом.
 
Отдельные затраты на поддержку, модернизацию и т. п. – не требуются. За 23 месяца вы можете убедиться, что аренда рекомендательного сервиса положительно влияет на ARPU и другие финансовые показатели.
 
Конечно, нужно учитывать и риск того, что финансовый результат будет недостаточно интересным. В этом случае через 23 месяца можно с минимальными потерями отключить сервис. Такой небольшой риск в большинстве случаев будет оправдан.
 
Itunes, Youtube, Netflix и многие другие медиаплощадки приучают пользователей к удобствам рекомендательного сервиса. Трудно представить, чтобы какой-либо медиапроект в ближайшей перспективе мог стать успешным без качественного рекомендательного сервиса.
 


Прочитать остальные материалы можно в июльском номере журнала ТКТ №07 (683)/2015. 

Больше статей о технике кино и телевидения читайте в будущих номерах журнала. Оформить подписку на новые выпуски можно по почте  или телефону +7 (495) 9896657, а почитать уже вышедшие номера — в цифровом архиве на сайте ТКТ.

 

 
 
  «Техника кино и телевидения» — ежемесячный журнал о трендах индустрии кино и телевидения, оборудовании и технологиях, которые используются в медиапроизводстве.

Предназначен для технических директоров телеканалов, теле- и кинопроизводящих студий, кинолабораторий и т.д.

Издается с июля 1957 года
Тираж — 5500 экз.

Оформить подписку можно по электронной почте  или телефону +7 (495) 9896657
 

 

 

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *