Netflix 為何留住用戶？如何留住用戶？——成為超過 1.67 億用戶的串流平台

前言

Netflix 並非僅因《紙牌屋》情節精彩，便決定投資 1 億美金製作，也另外基於許多因素——幾乎都來自數據。Netflix 的確需要影片的播映權，但他的選片並非隨意挑選。 　

Netflix 的分析方法  

分析工具的核心功能是讓公司深入並精準了解用戶。據此公司便可以最有效的方式行銷，並提供更好的產品。截至 2018 年 7 月，全球有 1 億 3000 萬名 Netflix 串流訂戶，數量龐大的用戶讓Netflix獲得海量數據。傳統電視網路缺乏此優勢，觀眾評分制度並不精準，試播片的放行也只是基於慣例或直覺。 　 

舉例來說，如果你正在看影集《發展受阻》，Netflix 可以得知用戶看完影集的比率：「有多少用戶開始看第一季《發展受阻》後，會追劇直到看完第三季？」假設比率是70%。然後他們會追問：「用戶最常在哪個片段停止追劇？其他 30% 的用戶做了什麼？消費者在看完一集後，與開始看下一集的間隔有多久？我們必須了解觀眾對這個影集有多投入。」

如果 70% 的用戶都看完了各季《發展受阻》，即便影集已經完結，Netflix 可能重啟季度。 　

數據的運用還可以更加深入，Netflix 追蹤的資訊包括： 　 

• 你何時暫時、倒轉或快進
• 每週哪天看片?（Netflix 發現人們在週間看電視節目，週末看電影）
• 看片的日期 
• 看片的時間
• 看片的地點（郵遞區號）
• 看片使用的裝置（你喜歡用平板電腦看電視節目、用 Roku 機上盒看電影？人們較常在 iPad 上使用「兒童專區」嗎？） 
• 你何時暫時並跳出影片（以及你還會回來嗎）？
• 觀眾評分（一天約 400 萬個評分）
• 搜尋（一天約 300 萬次）
• 瀏覽及下拉捲動的行為 　 

Netflix 同時也檢視影片當中的數據。他們檢視各個螢幕截圖「當下」的特質。Netflix 不僅知道片尾字幕何時出現，他們很可能也留意音量、色彩及場景等特質，以了解用戶的喜好。 

Netflix 想知道片尾字幕何時出現，可能是想知道用戶之後會有什麼舉動。他們退出應用程式或是回到瀏覽頁面？注意：緊接著片尾字幕出現，Netflix 立刻提供影片推薦（他們將演算法個人化，以便精準預測用戶會觀看的下一部影片）；若是電視節目，則自動播出下一集。如果用戶看完影片後退出應用程式，他們日後取消訂閱的可能性就提高了，因此 Netflix 需要延長用戶觀看的時間。 　 

演算法——如何推薦影片

幫助用戶找到他們喜歡的新影片，促成了 Netflix 的成功。 75% 的觀眾行動根據Netflix的推薦，Netflix 的演算法可說相當精確成功。 　 

Netflix 要求新用加入時，點評他們喜好的影片類型，並任選看過的電影給予評價。因為幫助用戶發現他們「將會喜歡的」新電影和戲劇非常重要。如果用戶看完他們想看的電影，而且沒辦法找到新的電影，他們就會取消。因此 Netflix 注重擁有精確的演算法，讓用戶不需要依靠外部資源找尋新電影。 　 

不過在串流時代，評價系統並不是非常實用，因為用戶如果看到不喜歡的電影只要換一部就好，不會特意留下來評分。因此用戶「實際上看了什麼」比他們「如何評價」更為重要。因此 Netflix 從過去對評價系統的關注，轉向依賴更加複雜演算法的動態系統。Netflix 投入大量人力於此，演算法也不斷演化。這並非單純的統計，因為用戶行為和 Netflix 的產品都不停地改變。 　 

因此從2017年四月，Netflix 再簡化點讚評價系統，取代過去的五星評價系統，並取得過去兩倍以上的用戶回饋。有了額外的用戶反饋，Netflix 更能迎合用戶的喜好。

（延伸閱讀：Netflix 的終極目標：讓人們找到自己鍾愛的電影） 　

從大數據看《紙牌屋》

2011 年 Netflix 首度投資原創內容，便以高於 HBO 及 AMC 等電視頻道的出價，買下美國版《紙牌屋》，兩季各 13 季，耗資超過一億美金。

綠燈放行前

在對《紙牌屋》開綠燈前，Netflix 了解到： 

1. 許多用戶把大衛．芬奇執導的《社群網戰》從頭看到尾

2. 英國原版《紙牌屋》收視甚好 

3. 英版《紙牌屋》的觀眾也看了凱文．史派西的電影，或／以及大衛．芬奇執導的電影  　 

Netflix 擁有上述三方面的眾多用戶。由於 Netflix 與消費之間的關係相當直接，他們了解人們的喜好，據此可預估影片帶來的效益。Netflix 不需要浪擲千金說服觀眾來看《紙牌屋》，藉由演算法，他們可以直接推薦對凱文．史派西或政治驚悚劇有興趣的用戶：「你可能會想看《紙牌屋》。」 　 

綠燈放行後

一般電影發行或電視節目首播時，會推出幾支預告片。 Netflix 則針對不同的觀眾，為《紙牌屋》製作了十個版本的預告片。你所看到的版本是由你之前的收視行為決定的。如果你看過許多女性主演的電影，你看到的預告片會強調女性角色。 　 

首季播放之後，是時候檢視一些早期指標。這些指標不會馬上告訴你這項投資是否成功，而是顯現出未來的發展軌跡。一般電視節目平均只有 35％ 的機率是有利可圖、或不會在兩季之後就終止。但在本文下筆的當下，Netflix 有七部原創電視節目，其中有五部續訂下一季，成功率約為 70%。 　 

《紙牌屋》在 2013 年第一季，為Netflix在美國帶來 200 萬新訂戶，比起前一季度增加 7%。在全球其他國家，它也帶來 100 萬名新訂戶。這些新訂戶可以打平《紙牌屋》的投資。一項調查顯示，86% 的訂戶表示他們會為了《紙牌屋》續訂，不過需要價格維持在每月 7.99 美元。儘管這項調查的樣本數很小，但足可顯示《紙牌屋》讓訂戶少了個不續訂的理由。 　

另一案例：《勁爆女子監獄》

在 Showtime 電視台播放的《單身毒媽》非常受歡迎，亦曾在 Netflix 上架了一段時間，是用戶最常觀看的電視節目之一。所以當主創 Jenji Kohan 有了新節目的點子，Netflix 知道他們必須買單。從一些早期指標來看，《勁爆女子監獄》比《發展受阻》、甚至《紙牌屋》都起步得更成功。

Netflix 如何決定上架哪部電影？ 

因為向製片公司購買電影播放權是相當昂貴的、且有大量的電影必須挑選，所以 Netflix 使用數據幫助決策。他們尋找「最有效率」的內容，所謂效率，指的是每一分錢所能為用戶帶來的最大快樂、能帶來最多觀眾；如果觀眾數並不新襯他的成本，Netflix 便可能選擇不續約。Netflix 根據用戶的觀看行為數據和分析，決定哪些作品留在平台上。 　 

以 Netflix 的定價，他們無法負擔所有的院線強片。因此他們必須聰明決策，充分利用數據和分析。舉例來說，電影《黑暗騎士》十分叫座，Netflix 知道用戶會喜歡它，但預算只能買下寥寥數月的播放權。 Netflix 可能轉而購買同樣導演和演員的其他多部好電影：克里斯多福．諾蘭執導的《記憶拼圖》、希斯．萊傑主演的《斷背山》和《騎士風雲錄》、艾倫．艾克哈特主演的《銘謝吸菸》、瑪姬．賈倫荷主演的《口白人生》，以及《克里斯汀貝爾之黑暗時刻》，加起來差不多是《黑暗騎士》的價格。這只是假設，卻是 Netflix 時常必須面對的真實處境。 　 

《天涯小築》在 Netflix 上的點播率甚佳，一些指標也看起很好（用戶全數看完、重看其中幾集、經常回放某些片段）。亞當．史考特是演員之一，而 Netflix 上架了七部他的電影，其中一部還是他主演的獨立電影。 　 根據成本效益策略，Netflix 也研究盜版網站，協助決定要購買哪些內容。他們買了《越獄風雲》，因為該影集常常被盜版。 　 

使用分析方法決定方向

米區．洛維（MoviePass CEO）曾談到他從 Netflix 聯合創辦人里德．哈斯廷斯學到的三樣東西：聚焦、分析工具、把錢投入做得最好的事物。 　 

使用分析工具不在獲取百分百明確的答案，而是找出正確的方向。 （延伸閱讀：影視產業下的 OTT 操作（三）：持續優化，學平台如何留住用戶）　

Netflix 要成為網路電視的 HBO 

數據和分析工具是 Netflix 的一大資產。它們為用戶提供更佳服務，並減少浪費及避免亂槍打鳥，使 Netflix 成為具成本效益的企業。 　

Netflix 希望成為 HBO，而且比「 HBO 變身為 Netflix 」的速度更快。Netflix 快速地增加影片，目標每年至少推出五部新節目。以2013年2月為例，Netflix 預算60億美元購買串流內容，向有線電視公司及製片廠購買播放權，而其中有3億美元投入原創內容。Netflix 的原創內容不僅是電視節目，也包括獨家紀錄片及脫口秀特輯。 　 

HBO 則有為數眾多的原創內容，外加電影播放權，是其他電視台如 TNT、 TBS、USA、AMC 所沒有的。對母公司華納媒體來說，HBO的模式顯然是成功的。 　 

而 Netflix 的訂戶已超越 HBO，顯然已經達成目標。Netflix 如同 HBO，無意僅成為原創內容的發行商。CEO  里德．哈斯廷斯希望原創內容和版權影片都能吸引會員。 　 

結語 

我們知道 Netflix 基於數據做出決策，但有時也得依賴直覺。數據無法預測出《絕命毒師》這樣的影集可以大獲成功。在這種情況下，決策很大取決於概念背後的工作人員。Netflix 是否能在缺乏數據的情況下，創造出類似《絕命毒師》的成功，仍有待觀察。 　 

數據可以為你提供洞察，讓企業運作得更好，提供更優質的產品。擁有數據的人顯然比起僅依賴直覺的人更具備優勢。Netflix 就是個好例子。 　

原文連結：How Netflix Uses Analytics To Select Movies, Create Content, and Make Multimillion Dollar Decisions?