视频:JUMP如何使用机器学习来衡量用户粘性

了解更多关于动态广告插入的信息流媒体的下一个事件.

阅读这段录音的完整文本:

Rainey苏珊娜: 我们使用机器学习的一种方式是集群. 所以我们从三个方面来看. 第一种是参与, 所以我们考虑了你们的视频服务, 你所有的数据, 然后我们确定客户的参与程度, 或者观众.

在这种情况下, 你可以看到64%是不活跃的, 18%是本地的, 15%的人冻僵了, 也就是说他们不怎么用它, 3%的人在睡觉, 他们根本不使用吗. 正如你在第一个视频中看到的, 所有这些数据都是立即可操作的，你可以使用营销自动化程序直接进入你的用户并向他们推销.

我们也会根据内容类型来查看它, 所以我们有35%的人沉迷于电视剧和电影, 24%, 然后是广播部分, 我们是按类型来分析的. 所以你可以选择这些集群中的任何一个，然后直接向你的消费者进行营销，这样你就可以进行大规模的个人营销.

我们也在关注客户终身价值. 在这个例子中你可以看到，平均值是 ... 我在这个屏幕上看不到, 但大概是84美元吧, 你可以看到它是如何倾斜的, 你还可以看到我们的其他一些分析，关于他们的终身价值是多少，取决于他们看了多少电视.

我们关注的是用户体验. 这是非常小的, 但我们看的是他们第一次观看内容的途径, 你可以看到这是通过设备, 如果它高于平均水平, 这意味着他们要花更长的时间才能找到内容, 哪个对你的观众不好. 所以你可以更深入地研究它，看看热图, 并找出瓶颈, 然后直接进入你的前端并进行调整以改进它. 然后我们有分析会告诉你在你做出这个选择后它是如何改进的.

Netflix表示，他们将超过75%的观看次数归功于他们的推荐引擎, 我想我们大多数人都知道它并没有那么有效. 所以市场上有很多关于推荐引擎的失望. 大多数推荐引擎只关注内容和用户, 但我们正在做的是，我们正在观察他们使用的时间和星期几, 以及他们在哪个设备上观看, 以及他们在哪里观看.

因此，它把它放在更好的背景下，能够提出相关的建议, 我们也在用深度学习增强元数据, 正如我提到的, 并且使用图像识别来增强元数据.