هذه المقالة هي المقالة الثانية في سلسلة متعددة الأجزاء تشارك مجموعة واسعة من أعمال هندسة التحليلات في Netflix، والتي تم تقديمها مؤخرًا كجزء من مؤتمرنا السنوي الداخلي لهندسة التحليلات. هل تحتاج إلى اللحاق بالركب؟ الدفع الجزء 1. في هذه المقالة، نسلط الضوء على بعض تطبيقات الأعمال التحليلية المثيرة، وفي مقالتنا الأخيرة سنتناول جوانب الحرفة التقنية.
يمينج تانج، كلير ويليك، ساجار بالاو
أطلقت Netflix الألعاب على مدار السنوات الثلاث الماضية، وبدأت خلالها جهودًا تسويقية مختلفة، بما في ذلك حملات اكتساب المستخدمين (UA)، للترويج لهذه الألعاب عبر بلدان مختلفة. تتميز حملات UA هذه عادةً بتصميمات إبداعية ثابتة ومقاطع إطلاق ومقاطع فيديو لمراجعة الألعاب على منصات مثل Google وMeta وTikTok. تتمثل الأهداف الأساسية لهذه الحملات في تشجيع المزيد من الأشخاص على تثبيت الألعاب وتشغيلها، مما يجعل عمليات التثبيت المتزايدة والمشاركة مقاييس حاسمة لتقييم فعاليتها.
يتم إجراء معظم حملات UA على مستوى الدولة، مما يعني أن كل شخص في البلدان المستهدفة يمكنه مشاهدة الإعلانات. ومع ذلك، نظرًا لعدم وجود مجموعة مراقبة في هذه البلدان، فإننا نعتمد إطار تحكم صناعي (منشور مدونة) لتقدير السيناريو المضاد. وينطوي ذلك على إنشاء مجموعة مرجحة من البلدان غير المعرضة لحملة تعميم الوصول إلى الخدمات لتكون بمثابة واقع مضاد للبلدان التي تمت معالجتها. لتسهيل الوصول إلى النتائج المتزايدة، قمنا بتطوير أداة تفاعلية مدعومة بهذا الإطار. تتيح هذه الأداة للمستخدمين الحصول مباشرة على التحسن في عمليات تثبيت اللعبة ومشاركتها، وعرض المخططات لكل من البلد المعالج ووحدة التحكم الاصطناعية، وتقييم القيمة الاحتمالية من اختبارات الدواء الوهمي.
لتوجيه تصميم الحملات المستقبلية ووضع ميزانيتها بشكل أفضل، نعمل على تطوير نموذج العائد المتزايد على الاستثمار. يتضمن هذا النموذج عوامل مثل التأثير المتزايد، وقيمة المشاركة المتزايدة والاشتراكات المتزايدة، وتكلفة تشغيل الحملة. بالإضافة إلى استخدام إطار الاستدلال السببي المذكور سابقًا لتقدير الزيادة، فإننا أيضًا نستفيد من أطر العمل الأخرى، مثل التقييم مدى الحياة للحساب المتزايد (منشور المدونة)، لتعيين قيمة للمشاركة المتزايدة والاشتراكات الناتجة عن الحملات.
Netflix هي خدمة اشتراك، مما يعني أن الأعضاء يشترون اشتراكات تتضمن ألعابًا وليس الألعاب الفردية نفسها. وهذا يجعل من الصعب قياس تأثير عمليات إطلاق الألعاب المختلفة على عملية الاستحواذ. نحن نلاحظ فقط عمليات الاشتراك، وليس سبب اشتراك الأعضاء.
وهذا يعني أننا بحاجة إلى تقدير الاشتراكات المتزايدة. نحن نعتمد نهجًا تم تطويره في Netflix لتقدير الاستحواذ المتزايد (ورقة فنية). يستخدم هذا النهج افتراضات بسيطة لتقدير معدل غير واقعي للمعدل الذي يبدأ فيه الأعضاء الجدد بلعب اللعبة.
ونظرًا لأن الألعاب تختلف عن المسلسلات/الأفلام، فمن الضروري التحقق من صحة طريقة التقدير هذه للألعاب. من الناحية المثالية، سيكون لدينا تقديرات سببية من اختبار أ/ب لاستخدامها في التحقق من الصحة، ولكن بما أن ذلك غير متوفر، فإننا نستخدم تصميمًا آخر للاستدلال السببي كواحد من مجموعتنا من أساليب التحقق من الصحة. يتضمن تصميم الاستدلال السببي هذا إطارًا منهجيًا صممناه لقياس أحداث اللعبة التي تعتمد على التحكم الاصطناعي (منشور مدونة).
كما ذكرنا أعلاه، لقد أطلقنا حملات اكتساب المستخدمين (UA) في بلدان مختارة لتعزيز التفاعل مع اللعبة والعضويات الجديدة. يمكننا استخدام هذا الاختلاف عبر البلاد لتكوين تحكم اصطناعي وقياس الاشتراكات المتزايدة بسبب حملة UA. تختلف عمليات الاشتراك المتزايدة من حملات UA عن تلك المنسوبة إلى اللعبة، ولكنها يجب أن تكون متشابهة. عندما تكون أرقام الاستحواذ المتزايدة المقدرة لدينا خلال فترة الحملة مماثلة لأرقام الاستحواذ المتزايدة المحسوبة باستخدام التحكم الاصطناعي، فإننا نشعر بثقة أكبر في نهجنا لقياس عمليات الاشتراك المتزايدة للألعاب.
في Netflix Games، نهدف إلى جذب عدد كبير من الأعضاء الذين يتفاعلون مع الألعاب كل شهر، ويُشار إليها باسم الحسابات النشطة الشهرية (MAA). لتقييم تقدمنا نحو تحقيق هذا الهدف وإيجاد مجالات لتعزيز MAA لدينا، قمنا بتصميم رحلة لاعبي Netflix كآلة حالة.
نحن نتتبع آلة حالة يومية توضح احتمالية انتقالات الحساب بين الحالات.
الشكل: رحلة لاعبي Netflix كآلة حالة
إن نمذجة رحلة اللاعبين كآلة حالة يسمح لنا بمحاكاة الحالات المستقبلية وتقييم التقدم نحو أهداف المشاركة. تتضمن العملية الأساسية ضرب مصفوفة انتقال الحالة اليومية بقيم الحالة الحالية لتحديد قيم الحالة في اليوم التالي.
تتيح لنا هذه العملية الأساسية استكشاف سيناريوهات مختلفة:
- الاتجاهات الثابتة: إذا ظلت معدلات التحول ثابتة، فيمكننا التنبؤ بالحالات المستقبلية من خلال ضرب مصفوفة انتقال الحالة اليومية بشكل متكرر إلى قيم الحالة الجديدة، مما يساعدنا على تقييم التقدم نحو الأهداف السنوية في ظل ظروف لم تتغير.
- السيناريوهات الديناميكية: من خلال تعديل معدلات الانتقال، يمكننا محاكاة السيناريوهات المعقدة. على سبيل المثال، تتيح لنا محاكاة التغييرات السابقة في معدلات الانتقال من إطلاق اللعبة التنبؤ بتأثير عمليات الإطلاق المستقبلية المماثلة عن طريق تغيير معدل الانتقال لفترة محددة.
- الحالة الثابتة: يمكننا حساب الحالة الثابتة لمصفوفة انتقال الحالة (باستثناء اللاعبين الجدد) لتقدير MAA بمجرد تجربة جميع الحسابات لألعاب Netflix وفهم تأثيرات الاحتفاظ وإعادة التنشيط على المدى الطويل.
إلى جانب التنبؤ بالحالات المستقبلية، نستخدم آلة الحالة لتحليل الحساسية للعثور على معدلات الانتقال الأكثر تأثيرًا على MAA. ومن خلال إجراء تغييرات صغيرة على كل معدل انتقال، نقوم بحساب MAA الناتج وقياس تأثيره. يرشدنا هذا إلى تحديد أولويات الجهود المتعلقة بالتحسينات في أعلى مسار التحويل، أو الاحتفاظ بالأعضاء، أو إعادة التنشيط.
أليكس دايموند
في Netflix، ننتج مجموعة متنوعة من وسائل الترفيه: الأفلام والمسلسلات والأفلام الوثائقية والعروض الارتجالية الخاصة والمزيد. يحتوي كل تنسيق على عملية إنتاج مختلفة وأنماط مختلفة من الإنفاق النقدي، تسمى “توقعات المحتوى” لدينا. وبالنظر إلى المستقبل، تحتفظ Netflix بخطة لعدد العناوين التي نعتزم إنتاجها، وأنواعها، ومتى. نظرًا لأننا لا نعرف حتى الآن ما هي العناوين المحددة التي سيصبح عليها هذا المحتوى في نهاية المطاف، فإن هذه العناصر النائبة العامة تسمى “فتحات TBD”. يتم تمثيل جزء كبير من توقعات المحتوى لدينا من خلال فتحات TBD.
تمتلك جميع الشركات تقريبًا عملية تنبؤ بالنقد توضح مقدار الأموال النقدية التي تحتاجها في فترة زمنية معينة لمواصلة تنفيذ خططها. ومع تغير الخطط، ستتغير التوقعات النقدية. لدى Netflix توقعات نقدية توضح احتياجاتنا النقدية لإنتاج العناوين التي نخطط لتصنيعها. يطرح هذا السؤال: كيف يمكننا التنبؤ على النحو الأمثل بالاحتياجات النقدية للفتحات التي سيتم تحديدها لاحقًا، نظرًا لأننا لا نملك تفاصيل حول العناوين الحقيقية التي ستصبح عليها؟
يتم تمويل الغالبية العظمى من عناويننا طوال عملية الإنتاج — بدءًا من الوقت الذي نبدأ فيه تطوير العنوان وحتى تصوير العروض والأفلام الفعلية لإطلاقها على خدمة Netflix الخاصة بنا.
نظرًا لأن الإنفاق النقدي يعتمد على ما يحدث في الإنتاج، فإننا نصممه من خلال تقسيمه إلى الخطوات الثلاث التالية:
- تحديد فترات مرحلة الإنتاج المقدرة باستخدام الحقائق التاريخية
- تحديد النسبة المئوية المقدرة للنقد المنفق في كل مرحلة إنتاج
- نموذج لشكل الإنفاق النقدي في كل مرحلة
يتيح لنا تجميع هذه الأجزاء الثلاثة معًا إنشاء تقدير عام للإنفاق النقدي يوميًا قبل تاريخ إطلاق اللعبة وما بعده (بديل لـ “الاكتمال”). يمكننا توزيع هذا الإنفاق خطيًا عبر كل مرحلة، لكن هذا النهج يسمح لنا بالتقاط الفروق الدقيقة حول أنماط الإنفاق التي تتزايد ببطء، أو التي تتركز في البداية وتتضاءل طوال الوقت.
قبل البدء في أي عملية حسابية، نحتاج إلى التأكد من وجود مجموعة بيانات تاريخية عالية الجودة. تلعب جودة البيانات دورًا كبيرًا في هذا العمل. على سبيل المثال، إذا رأينا أن 80% من أموالنا النقدية تم إنفاقها قبل بدء الإنتاج، فقد يكون من الآمن القول إما أن تواريخ الإنتاج (التي تم التقاطها يدويًا) غير صحيحة أو أن هذا العنوان له نمط إنفاق فريد لا نريده لنتوقع أن عناويننا المستقبلية ستتبع.
بالنسبة للخطوتين الأوليين، العثور على فترات المرحلة المقدرة والنسبة النقدية لكل مرحلة، وجدنا أن الرياضيات البسيطة تعمل بشكل أفضل، من أجل قابلية التفسير والاتساق. نحن نستخدم المتوسط المرجح عبر قيمنا التاريخية “النظيفة” لإنتاج هذه الافتراضات المقدرة.
لنمذجة شكل الإنفاق خلال كل مرحلة، نقوم بإجراء تحسين مقيد ليناسب دالة متعددة الحدود من الدرجة الثالثة. تشمل القيود ما يلي:
- يجب أن يمر عبر النقطتين (0,0) و (1,1). وهذا يضمن أنه تم إنفاق 0% خلال المرحلة، و0% من أموال تلك المرحلة. وبالمثل، تم إنفاق 100% خلال المرحلة، 100% من أموال تلك المرحلة.
- يجب أن يكون المشتق غير سلبي. ويضمن هذا أن الوظيفة تتزايد بشكل رتيب، مع تجنب التنبؤ بأي إنفاق سلبي بشكل غير متوقع.
تعمل الدالة الهدف للتحسين على تقليل مجموع المربعات المتبقية وإرجاع معاملات كثيرة الحدود التي ستوجه شكل الإنفاق النقدي خلال كل مرحلة.
بمجرد حصولنا على هذه المعاملات، يمكننا تقييم كثير الحدود هذا في كل يوم من مدة المرحلة المتوقعة، ثم ضرب النتيجة بالنقد المتوقع لكل مرحلة. ومع بعض عمليات المعالجة الإضافية للبيانات، يؤدي هذا إلى الحصول على نسبة مئوية متوقعة من الإنفاق النقدي كل يوم قبل تاريخ الإطلاق وبعده، وهو ما يمكننا أن نبني عليه توقعاتنا.
تانجوي كورناو
يمكن للقصص العظيمة أن تأتي من أي مكان، وأن تكون محبوبة في كل مكان. في Netflix، نسعى جاهدين لجعل عناويننا في متناول الجمهور العالمي، وتجاوز الحواجز اللغوية للتواصل مع المشاهدين في جميع أنحاء العالم. إحدى الطرق الرئيسية لتحقيق ذلك هي إنشاء الدبلجات بالعديد من اللغات.
بدءًا من نسخ العناوين الأصلية وحتى تسليم الصوت المدبلج، فإننا نمزج بين الابتكار والخبرة البشرية للحفاظ على الهدف الإبداعي الأصلي.
من خلال الاستفادة من التقنيات مثل التعرف على الكلام المساعد (ASR)، نسعى إلى جعل النسخ جزء من العملية أكثر كفاءة بالنسبة للغويين لدينا. يتضمن النسخ، في سياقنا، إنشاء نص حرفي للحوار المنطوق، إلى جانب معلومات التوقيت الدقيقة لمحاذاة النص تمامًا مع الفيديو الأصلي. باستخدام ASR، بدلاً من بدء النسخ من الصفر، يحصل اللغويون على نقطة بداية تم إنشاؤها مسبقًا يمكنهم استخدامها وتحريرها للحصول على الدقة الكاملة.
تمكن هذه الكفاءة اللغويين من التركيز بشكل أكبر على المهام الإبداعية الأخرى، مثل إضافة التعليقات والمراجع الثقافية، والتي تعتبر ضرورية للدبلجة النهائية.
ومع ASR، وغيرها من التقنيات الجديدة والمحسنة التي نقدمها، تعد التحليلات والقياسات الدقيقة ضرورية لنجاحها. لتقييم نظام ASR الخاص بنا بشكل فعال، قمنا بإنشاء إطار قياس متعدد الطبقات يوفر رؤى شاملة حول أدائه عبر العديد من الأبعاد (على سبيل المثال، دقة النص وتنبؤات التوقيت)، دون الاتصال بالإنترنت وعلى الإنترنت.
من المتوقع أن يكون أداء ASR مختلفًا بالنسبة للغات المختلفة؛ لذلك، على مستوى عالٍ، نقوم بتتبع المقاييس حسب اللغة الأصلية للعرض، مما يسمح لنا بتقييم فعالية ASR بشكل عام وتحديد الاتجاهات عبر سياقات لغوية مختلفة. نقوم أيضًا بتقسيم الأداء حسب أبعاد مختلفة، على سبيل المثال، نوع المحتوى والنوع وما إلى ذلك… لمساعدتنا في تحديد مجالات معينة قد يواجه فيها نظام ASR صعوبات. علاوة على ذلك، يتيح لنا إطار عملنا إجراء تحليلات متعمقة لنسخ العناوين الفردية، مع التركيز على أبعاد الجودة المهمة حول دقة النص وتوقيت اقتراحات ASR. ومن خلال التركيز على مواطن القصور في النظام، نكتسب رؤى قيمة حول تحديات محددة، مما يمكننا من تحسين فهمنا لأداء ASR.
تمكننا طبقات القياس هذه بشكل جماعي من المراقبة المستمرة وتحديد مجالات التحسين وتنفيذ التحسينات المستهدفة، مما يضمن أن تصبح تقنية ASR الخاصة بنا أكثر دقة وفعالية ومساعدة للغويين عبر أنواع المحتوى واللغات المتنوعة. من خلال تحسين سير عمل الدبلجة لدينا من خلال هذه الابتكارات، نهدف إلى مواصلة تحسين جودة الدبلجات لدينا لمساعدة القصص الرائعة في السفر عبر العالم وإدخال البهجة على أعضائنا.
اكتشاف المزيد من هيدب فيديو
اشترك للحصول على أحدث التدوينات المرسلة إلى بريدك الإلكتروني.
