Seit Netflix im Januar seine Präsenz beinahe global ausgebaut hat, ist die Arbeit von Yellin noch komplexer geworden, wie er beim Gespräch in Paris ausführt. So variiert die Bewerbung einiger Serien inzwischen auch nach Markt, wenn die Ergebnisse der Tests regional deutlich unterschiedlich ausfallen. Das Interface von Netflix vor dem globalen Spagat zwischen Wiedererkennbarkeit und Lokalisierung. „Die größte Herausforderung bisher war Japan“, sagt Netflix-Mann Yellin.

Websites in Japan sind weitaus kleinteiliger und chaotischer als wir es gewohnt sind. Überall blinke was. Zum Start in Japan habe man dort ein A/B-Testing mit zwei verschiedenen Interfaces gestartet. Eine extra für den japanischen Markt aufbereitete Oberfläche und die international von Netflix verwendete. Yellin: „Wir waren sehr erleichtert als wir gesehen haben: Die Nutzung beim internationalen Interface war höher.“ Über andere konkrete Ergebnisse der A/B-Testings redet Todd Yellin nicht. Aber er verdeutlicht, wie immer wieder neu getestet werde.

So basierend die Empfehlungen für Netflix-Kunden ja u.a. auch auf der bisherigen Nutzung. Bleibt bloß die Frage offen: Wie weit zurück soll die Nutzung berücksichtigt werden? Geht es um die letzten vier Wochen, vier Monate oder vielleicht das gesamte vergangene Jahr? „Sie ahnen, wie wir das rausgefunden haben, oder?“, sagt Yellin und lacht. Mehr über die Algorithmen verrät Yellins Kollege Carlos Gomez Uribe. Er ist Vice President Product Innovation Personalization Algorithms bei Netflix. Insgesamt 15 verschiedene Algorithmen bestimmen, welche Inhalte ein Netflix-Nutzer angezeigt bekommt. Zwei seien jedoch ganz maßgeblich.

Zum Einen geht es natürlich ganz simpel um Programme, die dem bisher gesehenen Inhalten ähneln. Mike Hastings ist Director of Enhanced Content bei Netflix. „Und nein“, sagt er, bevor man überhaupt eine Frage stellen kann: „Ich bin nicht verwandet mit Reed.“ Die Aufgabe seines Teams ist die Beschreibung und Klassifizierung des Programms. Rund 30 Menschen vertaggen im Auftrag von Netflix alle angebotenen Inhalte - und das anhand von momentan 180 Faktoren. „Da kommen immer mal wieder welche dazu“, sagt Hastings. Neben naheliegenden Tags wie Schauspielern oder Thema geht es auch um Stimmungen und Farbgestaltung sowie Art des Humors und Grad der Gewalt. So entstehen auch immer neue, detailliertere Genres auf der Netflix-Startseite.

Soweit zum ersten der beiden von Carlos Gomez Uribe hervorgehobenen Algorithmen. Und der zweite? Er ist weniger eindeutig zu beschreiben, aber ähnelt ein bisschen der Amazon-Logik „Kunden denen XY gefiel, gefiel auch…“: Netflix gleicht ab, ob es Menschen gibt, die bisher ähnliche Programme geschaut haben und was diese sonst noch angeschaut haben. So entstehen jene Empfehlungen, die nicht hauptsächlich auf der bisherigen Nutzung basieren sondern auf der Annahme, es könnte gefallen weil eine Gruppe anderer, ähnlich interessierter Menschen sich dies ausgesucht haben.

Netflix auf der NAB Show© Netflix
Netflix nennt das Communitys. Sie sind nicht starr formuliert und ändern sich stetig. Ein Nutzer kann auch Teil vieler Communitys sein. Tausende davon gebe es. Ziel sei es, dass sich aus der Nutzung von einem dutzend oder mehr Inhalten Muster erkennen lassen. Die globale Datenerhebung habe da die Beurteilungsgrundlage noch einmal deutlich verbessert, sagt Carlos Gomez Uribe. Gleichzeitig wird die Technik aber komplexer. In unterschiedlichen Territorien mit unterschiedlichen Rechte-Situationen braucht es angepasste Communitys. Noch ein weiterer Grund, warum Netflix bei jedem Nutzer anders aussieht.

So kann Netflix in Deutschland ja zunächst nicht die neueste Staffel „House of Cards“ anbieten. Der Algorithmus darf da zum Beispiel nicht denken, dass deutsche Netflix-Nutzer weniger interessiert seien an der Serie oder Politdrama als Genre. Wann immer über Big Data geredet wird, wie gerade wieder auf der NAB Show, dann gehört Netflix auch diesbezüglich zu den Pionieren im TV-Geschäft. Durch den globalen Rollout im Januar generiert kaum jemand mehr Erkenntnisse über globale TV-Nutzung. Nützlich wird das aber erst, wenn die Kenntnis der Nutzung mit der Kenntnis des eigenen Programms - also intensiver Vertaggung - einher geht. Dann kann aus Big Data Smart Data werden.

vorherige Seite