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.
相关文章
Sling TV执行副总裁兼集团总裁Warren Schlichting在2018年流媒体西部大会上的开场主题演讲中谈到了这一片段.
11月29日2018
Sling TV执行副总裁兼集团总裁在他的流媒体西部主题演讲中讨论了动态广告插入的影响.
11月21日2018