Netflix adalah perusahaan hiburan Amerika dengan spesialisasi pada video streaming online –tadinya company ini menyewakan DVD secara fisik. Netflix menghimpun data yang besar (big data) terkait konten-konten digital mereka, berikut dengan perilaku menonton para subscribers-nya. bagi yang belum tau, Big data biasanya dicirikan dengan “big” pada 5V: volume, velocity, variety, veracity, dan value.
Dengan big data, Netflix bertekad untuk dapat memprediksi apa yang sebenarnya disukai pelanggannya serta membangun produk berdasarkan insight yang diperoleh. Dengan demikian, hasil analisis Big Data adalah bahan bakar yang menggerakkan ‘mesin rekomendasi’ dan berbagai inisiatif bisnis lainnya.
Daftar Isi
Big Data Architecture
Arsitektur Big Data Netflix adalah kombinasi antara:
- Pengumpulan event yang sangat mendetail dan terus-menerus (setiap peristiwa disebut event, dilengkapi dengan identitas, dan data-data pendukungnya)
- Saluran streaming (streaming layer) untuk real-time dan routing data,
- Penyimpanan skala besar (data lake, warehouse),
- Pengolahan data per batch
- Sistem rekomendasi canggih yang sudah mempelajari data history,
- Caching & CDN terdekat dengan user untuk distribusi konten yang lebih cepat,
- Monitoring & resiliency jaringan untuk menjaga layanan tetap stabil.
Big Data Analytics
Netflix menerapkan model-model data analitik dan statistik untuk menemukan perilaku pelanggan (customer behaviour) dan pola penggunaan (usage pattern) terhadap konten digital. Dengan menggunakan insight dari data-data tersebut, mereka merekomendasikan film dan acara TV kepada para pelanggan.
Saya sendiri, setiap kali selesai menonton suatu serial atau film, selalu melihat “More Like This”. Bagi saya, ini adalah salah satu hasil dari “Recommendation Engine” yang lebih baik daripada sekedar kategori. Saya suka pakai fitur ini karena –setidaknya, bagi saya– minimal 80%, sesuai dengan preferensi saya. Beda dengan streaming services lainnya yang membuat tag/kategori secara serampangan namun ternyata tidak cukup representatif.
Contohnya kategori “komedi” yang mungkin lucu bagi sebagian orang, tetapi tidak memancing saya untuk tertawa. Dengan kata lain, personalisasi ala Netflix lebih berhasil pada saya ketimbang personalisasi oleh streaming platform yang lain.
Machine Learning
Sekitar 75% aktivitas menonton para pengguna Netflix didasarkan pada rekomendasi yang dipersonalisasi.
Netflix menggunakan data historis untuk melatih model rekomendasi dan model untuk memprediksi performa konten baru. Model ini diperbarui secara berkala agar tetap relevan terhadap perubahan selera pengguna. Mereka juga membuat dan memperbaharui profil detail pelanggan, maka maka mereka bisa lebih baik dalam mengupayakan pertumbuhan bisnis.
Ada juga tipe data yang memberikan insight yang mempengaruhi keputusan membeli lisensi suatu konten atau memproduksi sendiri — karena lebih terjangkau. Tidak heran, baru-baru ini, Netflix mendeklarasikan mereka bukan hanya berposisi sebagai distributor, tetapi juga sebagai publisher konten.
Mesin rekomendasi Netflix dan keputusan konten baru mendapat umpan dari data-data seperti kategori apa yang ditonton pelanggan, kapan pemutaran konten dihentikan –mengindikasikan penonton tidak suka, dll.
Studi Kasus: House of Cards
House of Cards adalah contoh di mana Netflix berhasil menggunakan analytics-nya untuk memutuskan memproduksi konten berdasarkan data-data tentang apa yang disukai oleh pengguna (genre, mood, karakter, durasi, dll).
House of Cards diproduksi karena data menunjukkan bahwa ada cukup banyak pengguna yang menyukai film politik + film dari David Fincher + Kevin Spacey + adaptasi novel populer.
Dari berbagai cerita di atas, dpat kita simpulkan bahwa Netflix mengetahui dengan tepat apa yang diinginkan pelanggan karena mereka bekerja dengan Big Data. Dengan Big Data, mereka tidak sembarang membuat keputusan dari asumsi-asumsi semata, melainkan menggunakan insight olahan Big Data sebagai dasar pengambilan keputusan bisnis.
https://techvidvan.com/tutorials/top-10-big-data-case-studies/
[…] Baca Juga: Studi Kasus Big Data: Netflix. […]