Netflix
臺劇《模仿犯》爆紅,短短7天就搶進20國影劇熱榜,不只日本、越南,連烏拉圭人、希臘人、阿拉伯人都愛看。如何吸引連臺灣都沒聽過的異國觀眾,也想打開陌生的劇集,Netflix正是靠ML技術打造出超強的影音行銷力。
Netflix擅長將一個本土影集推向全球性市場,甚至可以成為不同國家的熱門劇集。成功爆紅的關鍵,除了這些本土影集自身的戲劇性和內容富有高度吸引力之外,還有一個少為人談到的科技關鍵,就是Netflix善用ML技術來強化的超強影音行銷能力。
以《模仿犯》來說,上線一周就登上三大洲20多國的Top10排行榜,不只日本、越南,連烏拉圭人、希臘人、阿拉伯人都愛看。
但是,對阿拉伯人來說,臺灣的語言、文化、社會場景、過去歷史,都可能是非常陌生,甚至是過去從沒接觸過的國家的故事,卻仍然可以成功搶下這群異國觀眾的眼球,甚至成為鐵粉。
短短一周內,就吸引到數十國觀眾的目光,甚至是語言、文化截然不同的國家,《模仿犯》不是第一例,Netflix先前推出的西班牙劇《紙房子》、韓劇《魷魚遊戲》都是快速在全球竄紅的該國本土劇集。為什麼Netflix有能力讓同國家的觀眾,願意打開觀看一個來自陌生國度的陌生影集呢?
早在2014年,Netflix自家研究就發現,觀眾停留在每一個影集封面的時間只有1.8秒,如果90秒沒有看到想看的影片,就會離開網站。觀眾看到影集封面的第一眼,更是吸引觀眾打開影片的第一步,不只標題文字,圖片搭配得當,更是能大大提高觀眾打開陌生影集的意願,從此Netflix就致力於找出每一個人各自想看的影集封面,而不是一張可以吸引所有人的最佳封面設計。
機器學習團隊的目標是1億種個人化的產品
「不是1種,而是1億種不同個人化推薦和個人化視覺設計的產品。」這就是Netflix機器學習產品團隊想要達到的目標,這背後結合了許多不同類型的個人化推薦演算法。
當你打開Netflix首頁,不只能看到了依據過去習慣量身推薦的影片,每一部影片的封面更是高度個人化客製的設計。每一個國家、不同類型觀眾,甚至是每一個人看到的封面,都可能不一樣。Netflix的目標是可以據觀眾喜好、吸睛關鍵,量身打造每一隻影片的登場方式。這正是Netflix用來吸引全球觀眾,願意打開陌生影集的密技。
每年上千支新影片,靠ML快速打造出每一隻的專屬行銷素材
Netflix一年會推出上千部新的劇集和影片,每一隻影片都會設計一套客製化的封面設計和宣傳短片,在全球尋找對這支影片有興趣的鐵粉。
行銷團隊的第一個挑戰就是,就算對方完全沒聽過臺灣,也要靠這套客製化宣傳素材,來吸引他們打開影片觀看,接著就是靠影片的內容魅力,讓這群對影片陌生的觀眾,變成鐵粉。
Netflix行銷團隊中有一群經驗老道的創作團隊,負責準備這些宣傳素材,Netflix的AI團隊的任務,就是要用機器學習技術打造工具,來強化這個創作團隊的創造力。
舉例來說,前面提到高度客製化的封面只是機器學習技術的牛刀小試,更重要的是,如何判斷哪些封面元素、設計風格才是吸引觀眾目光的原因。
Netflxi利用機器學習技術,發展出了一套因果分析框架,可以結合用戶的瀏覽和收看大數據,結合個人化推薦系統中產生分析洞察,讓創作團隊可以更掌握每一類觀眾的特性,也能知道不同吸睛元素對不同觀眾的影響程度,來設計更有效果的宣傳封面素材,提供給個人化自動推薦系統使用。
Netflix大量運用各種ML技術,尤其是電腦視覺AI,例如可以用ML辨識出《艾蜜莉在巴黎》其中一個鏡頭中,女主角站在麵包店門口,嘟著嘴和友人正在自拍,等這類場景豐富語意的資訊,而且還能將這些資訊數值化,歸納出不同場景屬性上的強度分數,例如愉快程度60分,眼睛張開指數40分,嘴角微翹指數30分等。圖片來源/Netflix
用ML打造影音理解模型,深度剖析出影片各種語意特徵
不只如此,Netflix還持續開發一系列的影音理解模型,可以用來深度剖析出影片的內容特色,例如進行特徵分類、找出故事線、辨識情感、辨識影片拍攝手法等,再結合到時間編碼,就能讓創作團隊更有效率設計出吸引人的預告片或精華短片,再進一步結合個人化推薦系統累積的用戶大數據,來向不同顧客行銷。
以《艾蜜莉在巴黎》這部熱門影集為例,可以在一個女主角和朋友自拍鏡頭的畫面截圖中,辨識出女主角的心情很愉快,正在嘟嘴,嘴巴略開,眼睛微張,而自拍的拍攝地點則位於麵包店門口等等,ML可以自動辨識出這類場景豐富語意的資訊,而且還能將這些資訊數值化,歸納出不同場景屬性上的強度分數,例如愉快程度60分,眼睛張開指數40分,嘴角微翹指數30分等。
這些透過電腦視覺模型得到的影片深度理解分析,可以成為進一步應用的關鍵基礎。例如可以用來搜尋同樣場景、同樣語意、同樣對白的段落,甚至快指定鏡頭效果,或畫面構成方式,例如都是主角正面中距離鏡頭,來快速搜尋出符合的影片段落,作為剪接之用。
甚至,Netflix機器學習團隊還打造出了自動匹配剪接工具,透過不同匹配演算法,可以自動找到在不同影集中的同類鏡頭或同樣場景的段落,自動剪接這些鏡頭,生成一隻預告短片。甚至可以進行光流分析(Optical Flow),分析畫面中每一個像素的移動形式,來找組同類畫面移動方式的段落,例如都是由左到右的移動鏡頭,組合成一段同樣鏡頭移動方向,但是可以切換不同段落的動作短片。
不只是資料科學挑戰,更是資料工程的難題
不過,要運用ML實現這樣高度自動化的匹配剪接,不是一件容易的事,因爲這不只是一個資料科學的挑戰,也是一個資料工程的難題。
因為一支影片平均有2,000個鏡頭。光是要從中比對出兩個同樣場景(例如都是主角轉頭)的鏡頭,就需要2百萬次比對,若是要跨多部影片,例如Netflix曾要從上百部影片的12萬個鏡頭來剪接精華介紹短片,就得面對82億次的龐大比對任務。
透過不同的重複鏡頭與重複畫面刪除演算法,結合標註機制,大幅減少到1萬多個高度相關鏡頭,最後只需要進行約2萬次比對就能找到合適的組合。
Netflix會將這些各式各樣的ML應用或相關技術工具,盡可能運用到不同場景或應用情境,甚至能跨越截然不同的應用領域,也可能使用到同樣的技術,例如Netflix的維運團隊管理大量微服務的標註工具,後來竟然變成了可以標記大量影片後設標籤的通用標註平臺,IT工具變成了創意輔助工具。
甚至,Netflix現在也正在運用VFX特效工具和特效演算法,要打造一套更好用的電影虛擬製作工具,可以提供一個虛擬片場環境,將各種數位化的3D角色,數位場景物件,擺放到這個虛擬片場模擬的環境中,進行模擬拍攝,目前還是雛形版本階段。
借助這些幕後的關鍵機器學習技術和AI工具,行銷團隊都能輕易將任何一部本土劇集,打包成通吃全球各國觀眾的行銷形式。只要劇集夠精彩,Netflix就能找到打動各國觀眾的吸睛方式。這正是Netflxi超強影音行銷背後的技術秘訣。
熱門新聞
2024-10-05
2024-10-07
2024-10-07
2024-10-07
2024-10-05
2024-10-07
2024-10-07