Netflix เก็บ "กดข้าม กดหยุด ดูไม่จบ"
จนประหยัดได้ หมื่นล้าน
ร้านคุณเริ่มจากแยกลูกค้า
"ถามราคา ดูแล้วไม่ซื้อ กลับมาซื้อซ้ำ" ก็ได้
(อธิบายด้วย Personalization at Scale
ที่ธุรกิจเล็กก็เอาไปใช้ได้)
.
เมื่อเราเปิด Netflix ทุกครั้ง สิ่งที่เราเห็นบนหน้าจอจะไม่เหมือนกับคนอื่น แม้แต่คนในบ้านเดียวกัน หน้าจอของคุณอาจเต็มไปด้วยหนังแอ็คชั่นและซีรีส์สืบสวน ขณะที่หน้าจอของคนข้างบ้านอาจเต็มไปด้วยหนังโรแมนติกคอมเมดี้และสารคดีธรรมชาติ
.
นี่ไม่ใช่เรื่องบังเอิญ แต่เป็นผลจาก "Personalization at Scale" หรือการปรับแต่งประสบการณ์ส่วนบุคคลในระดับมหาศาล ที่ Netflix พัฒนาขึ้นมาเพื่อให้ผู้ใช้งานแต่ละคนได้รับคำแนะนำที่เหมาะสมที่สุด
.
จุดนี้เองที่ทำให้ Netflix กลายเป็นผู้นำในธุรกิจสตริมมิ่งวิดีโอ และมีผู้ใช้งานทั่วโลกมากกว่า 280 ล้านคนในปัจจุบัน
.
จุดเริ่มต้นของการปรับแต่งเนื้อหาใน Netflix
ก่อนที่ Netflix จะกลายเป็นแพลตฟอร์มสตริมมิ่งอย่างทุกวันนี้ บริษัทนี้เริ่มต้นเป็นธุรกิจให้เช่า DVD ทางไปรษณีย์ในปี 1997
ตอนนั้น Reed Hastings ผู้ก่อตั้ง Netflix มีปัญหาคือลูกค้าต้องเลือกหนังเองจากรายการที่มีหลายพันเรื่อง ซึ่งทำให้เกิดความสับสนและลูกค้าใช้เวลานานในการตัดสินใจ
ปี 2000 Netflix จึงเริ่มพัฒนาระบบแนะนำหนังโดยใช้ข้อมูลการเช่า DVD ของลูกค้า เพื่อคาดเดาว่าลูกค้าแต่ละคนน่าจะชอบหนังแบบไหน
.
แต่จุดเปลี่ยนที่แท้จริงเกิดขึ้นในปี 2006 เมื่อ Netflix ประกาศจัดการแข่งขัน "Netflix Prize" โดยเสนอเงินรางวัล 1 ล้านดอลลาร์สหรัฐ หรือประมาณ 36 ล้านบาท ให้กับทีมใดก็ตามที่สามารถพัฒนาอัลกอริทึมแนะนำหนังที่แม่นยำกว่าระบบเดิมของ Netflix อย่างน้อย 10%
.
การแข่งขันนี้ดึงดูดนักพัฒนาและนักวิทยาศาสตร์ข้อมูลจากทั่วโลกมากกว่า 40,000 ทีม และใช้เวลาเกือบ 3 ปีจึงมีทีมที่ชนะ
ผลจากการแข่งขันนี้ไม่ได้เป็นแค่อัลกอริทึมที่ดีขึ้น แต่ทำให้ Netflix เรียนรู้ว่าการปรับแต่งเนื้อหาสามารถเพิ่มความพึงพอใจของลูกค้าได้อย่างมีนัยสำคัญ
.
ตามรายงานของ McKinsey & Company ระบุว่าระบบแนะนำของ Netflix ช่วยลดการยกเลิกบริการ (Churn Rate) ได้ถึง 15% และช่วยประหยัดค่าใช้จ่ายในการหาลูกค้าใหม่ได้ปีละกว่า 1,000 ล้านดอลลาร์สหรัฐ หรือประมาณ 36,000 ล้านบาท
.
กลไกของ Personalization at Scale ใน Netflix
Netflix ใช้ข้อมูลจากพฤติกรรมของผู้ใช้งานมากกว่า 280 ล้านคนทั่วโลก เพื่อสร้างระบบแนะนำที่แม่นยำและเป็นส่วนตัว
.
ทุกการกระทำของคุณถูกบันทึกและวิเคราะห์
Netflix เก็บข้อมูลเกือบทุกอย่างที่ผู้ใช้งานทำบนแพลตฟอร์ม ไม่ว่าจะเป็น
.
•เนื้อหาที่คุณดู เมื่อไหร่ ดูนานแค่ไหน และดูจบหรือไม่
•เนื้อหาที่คุณกด pause, rewind หรือ fast forward ตรงไหน
•เนื้อหาที่คุณค้นหา แต่ยังไม่ได้ดู
•เนื้อหาที่คุณให้คะแนน thumbs up หรือ thumbs down
•เนื้อหาที่คุณเลื่อนดูผ่านไป โดยไม่ได้คลิกเข้าไปดู
•อุปกรณ์ที่คุณใช้ดู (TV, มือถือ, แท็บเล็ต)
•วันและเวลาที่คุณดู
•ภาษาคำบรรยายที่คุณเลือก
.
นอกจากนี้ Netflix ยังเก็บข้อมูลเชิงลึกอื่น ๆ เช่น ถ้าคุณดูหนังเรื่องหนึ่งไม่จบ แต่กลับมาดูต่อในวันถัดไป แสดงว่าเนื้อหานั้นน่าสนใจพอที่จะทำให้คุณกลับมา หรือถ้าคุณดูซีรีส์ทีละหลายตอนติดกัน (Binge-watching) แสดงว่าเนื้อหานั้นดึงดูดมาก
.
อัลกอริทึม Machine Learning ที่ทำงานอยู่เบื้องหลัง
ระบบเรียนรู้และปรับตัวตลอดเวลา Netflix ใช้อัลกอริทึม Machine Learning หลายชั้นเพื่อวิเคราะห์ข้อมูลเหล่านี้ โดยแบ่งออกเป็น 3 ระดับหลัก
.
ระดับที่ 1: Collaborative Filtering
เป็นการเปรียบเทียบพฤติกรรมของคุณกับผู้ใช้งานคนอื่นที่มีรสนิยมคล้ายกัน
.
ตัวอย่างเช่น ถ้าคุณและผู้ใช้งานอีก 1,000 คนดูหนัง A, B, C เหมือนกัน และผู้ใช้งาน 1,000 คนนั้นส่วนใหญ่ดูหนัง D ด้วย ระบบก็จะแนะนำหนัง D ให้กับคุณ
.
ระดับที่ 2: Content-Based Filtering
เป็นการวิเคราะห์คุณลักษณะของเนื้อหาที่คุณดู เช่น ประเภทหนัง นักแสดง ผู้กำกับ ปีที่ออกฉาย หรือแม้แต่สี mood และอารมณ์ของหนัง
.
Netflix จ้างทีมงานเฉพาะที่เรียกว่า "Taggers" เพื่อดูและติดแท็กคุณลักษณะของเนื้อหาแต่ละเรื่องอย่างละเอียด มีการติดแท็กมากกว่า 1,000 รายการต่อเนื้อหา 1 เรื่อง
.
ระดับที่ 3: Deep Learning
เป็นการใช้ AI ที่ซับซ้อนขึ้นเพื่อหารูปแบบที่ซ่อนอยู่ในข้อมูล
ตัวอย่างเช่น ระบบอาจพบว่าผู้ใช้งานที่ดูหนังประเภทหนึ่งในช่วงเช้าวันเสาร์ มักจะดูหนังอีกประเภทหนึ่งในช่วงเย็นวันอาทิตย์ ซึ่งเป็นรูปแบบที่มนุษย์อาจไม่เคยสังเกต
.
การทดสอบแบบ A/B Testing อย่างต่อเนื่อง
ทดสอบและปรับปรุงทุกวัน Netflix ทำการทดสอบ A/B Testing มากกว่า 250 ครั้งต่อปี เพื่อหาวิธีที่ดีที่สุดในการแสดงเนื้อหาให้กับผู้ใช้งาน
.
ตัวอย่างเช่น Netflix พบว่าผู้ใช้งานมีแนวโน้มที่จะคลิกดูเนื้อหามากขึ้น ถ้ารูปปกแสดงตัวละครหลักอย่างชัดเจน แทนที่จะเป็นฉากหรือภาพรวม จึงเกิดเป็นระบบที่เรียกว่า "Personalized Thumbnails" ที่แสดงรูปปกที่แตกต่างกันให้กับผู้ใช้งานแต่ละคน
.
ถ้าคุณชอบดูหนังแอ็คชั่น ระบบอาจแสดงรูปปกของหนังโรแมนติกคอมเมดี้ที่มีฉากแอ็คชั่นอยู่ด้วย แทนที่จะแสดงฉากโรแมนติก ตามรายงานของ Netflix ระบุว่าการปรับแต่งรูปปกนี้ช่วยเพิ่มอัตราการคลิกดูได้ถึง 20-30%
.
ผลลัพธ์ที่เกิดขึ้นจาก Personalization at Scale
การลงทุนใน Personalization ของ Netflix ไม่ได้เป็นแค่เรื่องของเทคโนโลยี แต่ส่งผลต่อธุรกิจอย่างเป็นรูปธรรม ผู้ใช้งานดูเนื้อหามากขึ้นและนานขึ้น 80% ของเนื้อหาที่ถูกเลือกดูมาจากระบบแนะนำ ตามรายงานของ Netflix ระบุว่า 80% ของเนื้อหาที่ผู้ใช้งานเลือกดูมาจากระบบแนะนำ มีเพียง 20% เท่านั้นที่มาจากการค้นหาเอง
.
นี่แสดงให้เห็นว่าระบบแนะนำทำงานได้ดีมาก จนผู้ใช้งานเชื่อใจและพึ่งพาระบบแทนที่จะต้องค้นหาเอง
.
นอกจากนี้ ระบบแนะนำยังช่วยให้ผู้ใช้งานค้นพบเนื้อหาที่หลากหลายมากขึ้น ไม่ติดแค่เนื้อหายอดนิยม แต่รวมถึงเนื้อหาเฉพาะกลุ่ม (Niche Content) ที่อาจไม่โด่งดัง แต่เหมาะกับรสนิยมของผู้ใช้งานบางกลุ่ม
.
และเมื่อผู้ใช้งานพอใจและอยู่กับ Netflix นานขึ้น ตามรายงานของ Parks Associates ระบุว่า Netflix มีอัตราการยกเลิกบริการ (Churn Rate) ต่ำกว่าคู่แข่งอย่าง Amazon Prime Video, Disney+ และ HBO Max
.
ในปี 2023 Netflix มี Churn Rate เพียง 2.4% ต่อเดือน ขณะที่คู่แข่งมีเฉลี่ยอยู่ที่ 4-6% ต่อเดือน นี่หมายความว่าผู้ใช้งาน Netflix มีแนวโน้มที่จะอยู่กับบริการนานกว่า เพราะพวกเขาหาเนื้อหาที่ชอบได้ง่ายและรวดเร็ว
.
Netflix ยังใช้ข้อมูลจากระบบแนะนำเพื่อตัดสินใจว่าควรผลิตเนื้อหาประเภทไหน ตัวอย่างที่โด่งดังคือซีรีส์ "House of Cards" ที่ Netflix ตัดสินใจลงทุนผลิตในปี 2013
การตัดสินใจนี้ไม่ได้มาจากสัญชาตญาณ แต่มาจากข้อมูลที่พบว่า
.
•ผู้ใช้งานที่ชอบหนังของผู้กำกับ David Fincher มักดูจบ
•ผู้ใช้งานที่ชอบนักแสดง Kevin Spacey มักให้คะแนนสูง
•ซีรีส์ทางการเมืองแนววางแผนได้รับความนิยมสูง
.
จากข้อมูลเหล่านี้ Netflix จึงมั่นใจว่า House of Cards จะประสบความสำเร็จ และยินดีลงทุน 100 ล้านดอลลาร์สหรัฐ หรือประมาณ 3,600 ล้านบาท สำหรับซีซั่นแรก โดยไม่ต้องทำตอนนำร่อง (Pilot Episode)
.
ผลลัพธ์คือ House of Cards กลายเป็นซีรีส์ที่ประสบความสำเร็จอย่างมาก และเป็นจุดเริ่มต้นให้ Netflix กลายเป็นผู้ผลิตเนื้อหาต้นฉบับที่สำคัญ
.
สร้างรายได้และเติบโตอย่างต่อเนื่อง
ผลประกอบการที่เติบโตจากการเข้าใจลูกค้า
ตามรายงานล่าสุดของ Netflix ในปี 2024 บริษัทมีรายได้ 35,473 ล้านดอลลาร์สหรัฐ หรือประมาณ 1.27 ล้านล้านบาท
สูงกว่าปี 2023 ที่มีรายได้ 33,723 ล้านดอลลาร์สหรัฐ และสูงกว่าปี 2022 ที่มีรายได้ 31,616 ล้านดอลลาร์สหรัฐ
.
ในปี 2024 Netflix มีผู้ใช้งานทั่วโลกมากกว่า 280 ล้านคน เพิ่มขึ้นจากปี 2023 ที่มี 260 ล้านคน และปี 2022 ที่มี 230 ล้านคน
.
ที่สำคัญคือ Netflix มีกำไรสุทธิในปี 2024 อยู่ที่ 5,408 ล้านดอลลาร์สหรัฐ หรือประมาณ 194,688 ล้านบาท แสดงให้เห็นว่าธุรกิจเติบโตอย่างมีกำไร
.
นี่คือเหตุผลที่ Netflix ไม่ใช่แค่แพลตฟอร์มสตริมมิ่งธรรมดา แต่เป็นบริษัทเทคโนโลยีที่ใช้ข้อมูลและ AI เพื่อสร้างประสบการณ์ส่วนบุคคลให้กับผู้ใช้งานทุกคน ในระดับที่ไม่เคยมีใครทำได้มาก่อน
.
.
เขียนและเรียบเรียงโดย 100WEALTH
———
100WEALTH l ไปให้ถึง100ล้าน
[Spoil] คลิกเพื่อดูข้อความที่ซ่อนไว้ https://www.facebook.com/100wealth/photos/netflix-%E0%B9%80%E0%B8%81%E0%B9%87%E0%B8%9A-%E0%B8%81%E0%B8%94%E0%B8%82%E0%B9%89%E0%B8%B2%E0%B8%A1-%E0%B8%81%E0%B8%94%E0%B8%AB%E0%B8%A2%E0%B8%B8%E0%B8%94-%E0%B8%94%E0%B8%B9%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B8%88%E0%B8%9A%E0%B8%88%E0%B8%99%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%AB%E0%B8%A2%E0%B8%B1%E0%B8%94%E0%B9%84%E0%B8%94%E0%B9%89-%E0%B8%AB%E0%B8%A1%E0%B8%B7%E0%B9%88%E0%B8%99%E0%B8%A5%E0%B9%89%E0%B8%B2%E0%B8%99%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%99%E0%B8%84%E0%B8%B8%E0%B8%93%E0%B9%80%E0%B8%A3%E0%B8%B4%E0%B9%88%E0%B8%A1%E0%B8%88%E0%B8%B2%E0%B8%81%E0%B9%81%E0%B8%A2%E0%B8%81%E0%B8%A5%E0%B8%B9%E0%B8%81%E0%B8%84%E0%B9%89%E0%B8%B2/1439950820834712/?set=a.832719431557857&http_ref=eyJ0cyI6MTc2ODkxNzI0NzAwMCwiciI6IiJ9
Netflix ไม่ใช่แค่แพลตฟอร์มสตริมมิ่งธรรมดา
จนประหยัดได้ หมื่นล้าน
ร้านคุณเริ่มจากแยกลูกค้า
"ถามราคา ดูแล้วไม่ซื้อ กลับมาซื้อซ้ำ" ก็ได้
(อธิบายด้วย Personalization at Scale
ที่ธุรกิจเล็กก็เอาไปใช้ได้)
.
เมื่อเราเปิด Netflix ทุกครั้ง สิ่งที่เราเห็นบนหน้าจอจะไม่เหมือนกับคนอื่น แม้แต่คนในบ้านเดียวกัน หน้าจอของคุณอาจเต็มไปด้วยหนังแอ็คชั่นและซีรีส์สืบสวน ขณะที่หน้าจอของคนข้างบ้านอาจเต็มไปด้วยหนังโรแมนติกคอมเมดี้และสารคดีธรรมชาติ
.
นี่ไม่ใช่เรื่องบังเอิญ แต่เป็นผลจาก "Personalization at Scale" หรือการปรับแต่งประสบการณ์ส่วนบุคคลในระดับมหาศาล ที่ Netflix พัฒนาขึ้นมาเพื่อให้ผู้ใช้งานแต่ละคนได้รับคำแนะนำที่เหมาะสมที่สุด
.
จุดนี้เองที่ทำให้ Netflix กลายเป็นผู้นำในธุรกิจสตริมมิ่งวิดีโอ และมีผู้ใช้งานทั่วโลกมากกว่า 280 ล้านคนในปัจจุบัน
.
จุดเริ่มต้นของการปรับแต่งเนื้อหาใน Netflix
ก่อนที่ Netflix จะกลายเป็นแพลตฟอร์มสตริมมิ่งอย่างทุกวันนี้ บริษัทนี้เริ่มต้นเป็นธุรกิจให้เช่า DVD ทางไปรษณีย์ในปี 1997
ตอนนั้น Reed Hastings ผู้ก่อตั้ง Netflix มีปัญหาคือลูกค้าต้องเลือกหนังเองจากรายการที่มีหลายพันเรื่อง ซึ่งทำให้เกิดความสับสนและลูกค้าใช้เวลานานในการตัดสินใจ
ปี 2000 Netflix จึงเริ่มพัฒนาระบบแนะนำหนังโดยใช้ข้อมูลการเช่า DVD ของลูกค้า เพื่อคาดเดาว่าลูกค้าแต่ละคนน่าจะชอบหนังแบบไหน
.
แต่จุดเปลี่ยนที่แท้จริงเกิดขึ้นในปี 2006 เมื่อ Netflix ประกาศจัดการแข่งขัน "Netflix Prize" โดยเสนอเงินรางวัล 1 ล้านดอลลาร์สหรัฐ หรือประมาณ 36 ล้านบาท ให้กับทีมใดก็ตามที่สามารถพัฒนาอัลกอริทึมแนะนำหนังที่แม่นยำกว่าระบบเดิมของ Netflix อย่างน้อย 10%
.
การแข่งขันนี้ดึงดูดนักพัฒนาและนักวิทยาศาสตร์ข้อมูลจากทั่วโลกมากกว่า 40,000 ทีม และใช้เวลาเกือบ 3 ปีจึงมีทีมที่ชนะ
ผลจากการแข่งขันนี้ไม่ได้เป็นแค่อัลกอริทึมที่ดีขึ้น แต่ทำให้ Netflix เรียนรู้ว่าการปรับแต่งเนื้อหาสามารถเพิ่มความพึงพอใจของลูกค้าได้อย่างมีนัยสำคัญ
.
ตามรายงานของ McKinsey & Company ระบุว่าระบบแนะนำของ Netflix ช่วยลดการยกเลิกบริการ (Churn Rate) ได้ถึง 15% และช่วยประหยัดค่าใช้จ่ายในการหาลูกค้าใหม่ได้ปีละกว่า 1,000 ล้านดอลลาร์สหรัฐ หรือประมาณ 36,000 ล้านบาท
.
กลไกของ Personalization at Scale ใน Netflix
Netflix ใช้ข้อมูลจากพฤติกรรมของผู้ใช้งานมากกว่า 280 ล้านคนทั่วโลก เพื่อสร้างระบบแนะนำที่แม่นยำและเป็นส่วนตัว
.
ทุกการกระทำของคุณถูกบันทึกและวิเคราะห์
Netflix เก็บข้อมูลเกือบทุกอย่างที่ผู้ใช้งานทำบนแพลตฟอร์ม ไม่ว่าจะเป็น
.
•เนื้อหาที่คุณดู เมื่อไหร่ ดูนานแค่ไหน และดูจบหรือไม่
•เนื้อหาที่คุณกด pause, rewind หรือ fast forward ตรงไหน
•เนื้อหาที่คุณค้นหา แต่ยังไม่ได้ดู
•เนื้อหาที่คุณให้คะแนน thumbs up หรือ thumbs down
•เนื้อหาที่คุณเลื่อนดูผ่านไป โดยไม่ได้คลิกเข้าไปดู
•อุปกรณ์ที่คุณใช้ดู (TV, มือถือ, แท็บเล็ต)
•วันและเวลาที่คุณดู
•ภาษาคำบรรยายที่คุณเลือก
.
นอกจากนี้ Netflix ยังเก็บข้อมูลเชิงลึกอื่น ๆ เช่น ถ้าคุณดูหนังเรื่องหนึ่งไม่จบ แต่กลับมาดูต่อในวันถัดไป แสดงว่าเนื้อหานั้นน่าสนใจพอที่จะทำให้คุณกลับมา หรือถ้าคุณดูซีรีส์ทีละหลายตอนติดกัน (Binge-watching) แสดงว่าเนื้อหานั้นดึงดูดมาก
.
อัลกอริทึม Machine Learning ที่ทำงานอยู่เบื้องหลัง
ระบบเรียนรู้และปรับตัวตลอดเวลา Netflix ใช้อัลกอริทึม Machine Learning หลายชั้นเพื่อวิเคราะห์ข้อมูลเหล่านี้ โดยแบ่งออกเป็น 3 ระดับหลัก
.
ระดับที่ 1: Collaborative Filtering
เป็นการเปรียบเทียบพฤติกรรมของคุณกับผู้ใช้งานคนอื่นที่มีรสนิยมคล้ายกัน
.
ตัวอย่างเช่น ถ้าคุณและผู้ใช้งานอีก 1,000 คนดูหนัง A, B, C เหมือนกัน และผู้ใช้งาน 1,000 คนนั้นส่วนใหญ่ดูหนัง D ด้วย ระบบก็จะแนะนำหนัง D ให้กับคุณ
.
ระดับที่ 2: Content-Based Filtering
เป็นการวิเคราะห์คุณลักษณะของเนื้อหาที่คุณดู เช่น ประเภทหนัง นักแสดง ผู้กำกับ ปีที่ออกฉาย หรือแม้แต่สี mood และอารมณ์ของหนัง
.
Netflix จ้างทีมงานเฉพาะที่เรียกว่า "Taggers" เพื่อดูและติดแท็กคุณลักษณะของเนื้อหาแต่ละเรื่องอย่างละเอียด มีการติดแท็กมากกว่า 1,000 รายการต่อเนื้อหา 1 เรื่อง
.
ระดับที่ 3: Deep Learning
เป็นการใช้ AI ที่ซับซ้อนขึ้นเพื่อหารูปแบบที่ซ่อนอยู่ในข้อมูล
ตัวอย่างเช่น ระบบอาจพบว่าผู้ใช้งานที่ดูหนังประเภทหนึ่งในช่วงเช้าวันเสาร์ มักจะดูหนังอีกประเภทหนึ่งในช่วงเย็นวันอาทิตย์ ซึ่งเป็นรูปแบบที่มนุษย์อาจไม่เคยสังเกต
.
การทดสอบแบบ A/B Testing อย่างต่อเนื่อง
ทดสอบและปรับปรุงทุกวัน Netflix ทำการทดสอบ A/B Testing มากกว่า 250 ครั้งต่อปี เพื่อหาวิธีที่ดีที่สุดในการแสดงเนื้อหาให้กับผู้ใช้งาน
.
ตัวอย่างเช่น Netflix พบว่าผู้ใช้งานมีแนวโน้มที่จะคลิกดูเนื้อหามากขึ้น ถ้ารูปปกแสดงตัวละครหลักอย่างชัดเจน แทนที่จะเป็นฉากหรือภาพรวม จึงเกิดเป็นระบบที่เรียกว่า "Personalized Thumbnails" ที่แสดงรูปปกที่แตกต่างกันให้กับผู้ใช้งานแต่ละคน
.
ถ้าคุณชอบดูหนังแอ็คชั่น ระบบอาจแสดงรูปปกของหนังโรแมนติกคอมเมดี้ที่มีฉากแอ็คชั่นอยู่ด้วย แทนที่จะแสดงฉากโรแมนติก ตามรายงานของ Netflix ระบุว่าการปรับแต่งรูปปกนี้ช่วยเพิ่มอัตราการคลิกดูได้ถึง 20-30%
.
ผลลัพธ์ที่เกิดขึ้นจาก Personalization at Scale
การลงทุนใน Personalization ของ Netflix ไม่ได้เป็นแค่เรื่องของเทคโนโลยี แต่ส่งผลต่อธุรกิจอย่างเป็นรูปธรรม ผู้ใช้งานดูเนื้อหามากขึ้นและนานขึ้น 80% ของเนื้อหาที่ถูกเลือกดูมาจากระบบแนะนำ ตามรายงานของ Netflix ระบุว่า 80% ของเนื้อหาที่ผู้ใช้งานเลือกดูมาจากระบบแนะนำ มีเพียง 20% เท่านั้นที่มาจากการค้นหาเอง
.
นี่แสดงให้เห็นว่าระบบแนะนำทำงานได้ดีมาก จนผู้ใช้งานเชื่อใจและพึ่งพาระบบแทนที่จะต้องค้นหาเอง
.
นอกจากนี้ ระบบแนะนำยังช่วยให้ผู้ใช้งานค้นพบเนื้อหาที่หลากหลายมากขึ้น ไม่ติดแค่เนื้อหายอดนิยม แต่รวมถึงเนื้อหาเฉพาะกลุ่ม (Niche Content) ที่อาจไม่โด่งดัง แต่เหมาะกับรสนิยมของผู้ใช้งานบางกลุ่ม
.
และเมื่อผู้ใช้งานพอใจและอยู่กับ Netflix นานขึ้น ตามรายงานของ Parks Associates ระบุว่า Netflix มีอัตราการยกเลิกบริการ (Churn Rate) ต่ำกว่าคู่แข่งอย่าง Amazon Prime Video, Disney+ และ HBO Max
.
ในปี 2023 Netflix มี Churn Rate เพียง 2.4% ต่อเดือน ขณะที่คู่แข่งมีเฉลี่ยอยู่ที่ 4-6% ต่อเดือน นี่หมายความว่าผู้ใช้งาน Netflix มีแนวโน้มที่จะอยู่กับบริการนานกว่า เพราะพวกเขาหาเนื้อหาที่ชอบได้ง่ายและรวดเร็ว
.
Netflix ยังใช้ข้อมูลจากระบบแนะนำเพื่อตัดสินใจว่าควรผลิตเนื้อหาประเภทไหน ตัวอย่างที่โด่งดังคือซีรีส์ "House of Cards" ที่ Netflix ตัดสินใจลงทุนผลิตในปี 2013
การตัดสินใจนี้ไม่ได้มาจากสัญชาตญาณ แต่มาจากข้อมูลที่พบว่า
.
•ผู้ใช้งานที่ชอบหนังของผู้กำกับ David Fincher มักดูจบ
•ผู้ใช้งานที่ชอบนักแสดง Kevin Spacey มักให้คะแนนสูง
•ซีรีส์ทางการเมืองแนววางแผนได้รับความนิยมสูง
.
จากข้อมูลเหล่านี้ Netflix จึงมั่นใจว่า House of Cards จะประสบความสำเร็จ และยินดีลงทุน 100 ล้านดอลลาร์สหรัฐ หรือประมาณ 3,600 ล้านบาท สำหรับซีซั่นแรก โดยไม่ต้องทำตอนนำร่อง (Pilot Episode)
.
ผลลัพธ์คือ House of Cards กลายเป็นซีรีส์ที่ประสบความสำเร็จอย่างมาก และเป็นจุดเริ่มต้นให้ Netflix กลายเป็นผู้ผลิตเนื้อหาต้นฉบับที่สำคัญ
.
สร้างรายได้และเติบโตอย่างต่อเนื่อง
ผลประกอบการที่เติบโตจากการเข้าใจลูกค้า
ตามรายงานล่าสุดของ Netflix ในปี 2024 บริษัทมีรายได้ 35,473 ล้านดอลลาร์สหรัฐ หรือประมาณ 1.27 ล้านล้านบาท
สูงกว่าปี 2023 ที่มีรายได้ 33,723 ล้านดอลลาร์สหรัฐ และสูงกว่าปี 2022 ที่มีรายได้ 31,616 ล้านดอลลาร์สหรัฐ
.
ในปี 2024 Netflix มีผู้ใช้งานทั่วโลกมากกว่า 280 ล้านคน เพิ่มขึ้นจากปี 2023 ที่มี 260 ล้านคน และปี 2022 ที่มี 230 ล้านคน
.
ที่สำคัญคือ Netflix มีกำไรสุทธิในปี 2024 อยู่ที่ 5,408 ล้านดอลลาร์สหรัฐ หรือประมาณ 194,688 ล้านบาท แสดงให้เห็นว่าธุรกิจเติบโตอย่างมีกำไร
.
นี่คือเหตุผลที่ Netflix ไม่ใช่แค่แพลตฟอร์มสตริมมิ่งธรรมดา แต่เป็นบริษัทเทคโนโลยีที่ใช้ข้อมูลและ AI เพื่อสร้างประสบการณ์ส่วนบุคคลให้กับผู้ใช้งานทุกคน ในระดับที่ไม่เคยมีใครทำได้มาก่อน
.
.
เขียนและเรียบเรียงโดย 100WEALTH
———
100WEALTH l ไปให้ถึง100ล้าน
[Spoil] คลิกเพื่อดูข้อความที่ซ่อนไว้