挑戰1億種產品吸睛手法，Netflix超強影音行銷術的關鍵技術

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。

 相關報導