Τρίτη, 10 Σεπτεμβρίου 2019

Πόσο “ελεύθερες” είναι οι επιλογές μας στην εποχή των Big Data; Το παράδειγμα του Netflix. Του Ευάγγελου Φαρμακίδη


‘Πόσο “ελεύθερες” είναι οι επιλογές μας στην εποχή των Big Data; Το παράδειγμα του Netflix.’ Άρθρο του Ευάγγελου Φαρμακίδη, με πρώτη δημοσίευση στο HOMODIGITALIS.GR. Ο Ευάγγελος Φαρμακίδης είναι μέλος της Homo Digitalis, ασκούμενος δικηγόρος, τελειόφοιτος του ΔΠΜΣ «Δίκαιο και Πληροφορική» του Τμήματος Εφαρμοσμένης Πληροφορικής, ΠαΜακ και της Νομικής Σχολής, ΔΠΘ, μεταπτυχιακός φοιτητής Ποινικού Δικαίου και Εγκληματολογικών Επιστημών στη Νομική Σχολή, ΔΠΘ, κάτοχος Διπλώματος στην Κοινωνική Οικονομία και Κοινωνική Επιχειρηματικότητα και Διαπιστευμένος Διαμεσολαβητής του Υπουργείου Δικαιοσύνης, Διαφάνειας και Ανθρωπίνων Δικαιωμάτων.



Μόλις έχει τελειώσει το τελευταίο επεισόδιο της καινούριας σεζόν της αγαπημένης μας σειράς του Netflix και έχουμε αποφασίσει να βγούμε για μια βόλτα. Πριν κλείσουμε την τηλεόραση για να ετοιμαστούμε, μια άλλη σειρά κεντρίζει το ενδιαφέρον μας. Εμφανίστηκε στα προτεινόμενα και τυχαίνει να είναι το είδος της σειράς που μας αρέσει. Μετά από μια γρήγορη ματιά αποφασίζουμε να δούμε μόνο το Trailer για να σιγουρευτούμε ότι είναι της αρεσκείας μας.

Πράγματι είναι! Η έξοδος ακυρώνεται και ένας νέος μαραθώνιος επεισοδίων (Binge-Watching) ξεκινά.

Πόσο ελεύθερες είναι άραγε οι επιλογές μας στην εποχή των Big Data;
Θέλαμε πράγματι να μείνουμε σπίτι και να δούμε μια νέα σειρά ή θέλαμε να βγούμε για μια βόλτα;
Μήπως με κάποιον έντεχνο τρόπο η βούλησή μας επηρεάζεται σημαντικά και οι αποφάσεις μας καθοδηγούνται;
Στα παραπάνω ερωτήματα θα προσπαθήσουμε να δώσουμε μια σύντομη, απλή και κατανοητή απάντηση.

Η επιλογή του παραδείγματος του Netflix δεν είναι ασφαλώς τυχαία. Όπως δεν είναι τυχαία και η εμφάνιση της νέας προτεινόμενης ενδιαφέρουσας σειράς στην οθόνη της τηλεόρασής μας.
To Netflix σήμερα αριθμεί περί τους 137 εκατομμύρια συνδρομητές σε 190 χώρες και οφείλει μεγάλο μέρος της επιτυχίας του στα Big Data. Η ανάλυση δεδομένων είναι μια πρακτική που η εταιρία εφάρμοσε από τα πρώτα χρόνια της ίδρυσής της, όταν η υπηρεσία Streaming δεν ήταν διαθέσιμη και το Netflix εξυπηρετούσε τους πελάτες του αποκλειστικά με την αποστολή DVDs στο σπίτι μέσω του ταχυδρομείου. Μελετώντας τις προτιμήσεις άλλων πελατών του, τους πρότεινε ταινίες που πιθανόν να τους ενδιέφεραν.
Με την πρακτική αυτή θέλησε να αυξήσει τα έσοδά του και ταυτόχρονα να αντιμετωπίσει το πρόβλημα που ανέκυπτε κάθε φορά που μια ταινία βραβευόταν με Όσκαρ ή κάποιος διάσημος κριτικός ταινιών έγραφε μια διθυραμβική κριτική για μια ταινία: η ζήτηση της συγκεκριμένης ταινίας αυξανόταν κατακόρυφα με αποτέλεσμα αφενός το Netflix να μην μπορεί να εξυπηρετήσει την αυξημένη ζήτηση και αφετέρου οι παλαιότερες ταινίες να μένουν στα αζήτητα με αποτέλεσμα η εταιρία να χάνει περισσότερα έσοδα.
Έπρεπε λοιπόν να βρεθεί ένας τρόπος, ώστε να στρέψει τους πελάτες του σε λιγότερο διάσημες ή παλαιότερες ταινίες. Για τον λόγο αυτό ανέπτυξε έναν αλγόριθμο πρόβλεψης, ο οποίος ονομάστηκε Cinematch, για να προτείνει στους χρήστες του νέες ταινίες με βάση τις προτιμήσεις των άλλων χρηστών.
Αργότερα, τον Οκτώβριο του 2006, θέλοντας να βελτιώσει την απόδοση του αλγορίθμου, προκήρυξε έναν ανοιχτό διαγωνισμό, το Netflix Prize. Η ομάδα που θα κατάφερνε να βελτιώσει σε ικανοποιητικό βαθμό τα αποτελέσματα του αλγορίθμου θα κέρδιζε χρηματικό έπαθλο ενός εκατομμυρίου δολαρίων. Στον διαγωνισμό, ο οποίος τράβηξε το ενδιαφέρον ολόκληρης της παγκόσμιας κοινότητας, συμμετείχαν περισσότερες από 40.000 ομάδες ειδικών (στους τομείς των μαθηματικών, της στατιστικής, της πληροφορικής κ.α.) από 183 διαφορετικές χώρες του κόσμου. Για τον σκοπό αυτό δόθηκε στους ερευνητές πρόσβαση σε αξιολογήσεις και κριτικές 500.000 χρηστών του Netflix.
Χρειάστηκαν τρία ολόκληρα χρόνια για να επιτευχθεί το επιθυμητό αποτέλεσμα και το βραβείο τελικά δόθηκε στις 21 Σεπτεμβρίου 2009. Ο αλγόριθμος που κέρδισε ήταν αποτέλεσμα κοινοπραξίας 4 ομάδων υπό την ονομασία BellKor’s Pragmatic Chaos και βελτίωνε τα αποτελέσματα του υπάρχοντος αλγορίθμου κατά 10.06%. Το αποτέλεσμα είναι σήμερα να λαμβάνουμε προτάσεις, οι οποίες ξεπερνούν σε ποσοστό επιτυχίας το 85%.
Κρατώντας μας απασχολημένους με συνεχόμενη ροή προτάσεων, το Netflix καταφέρνει κάθε μήνα να ανανεώνουμε τη συνδρομή μας. Αν δεν υπήρχαν οι προτάσεις αυτές, είναι πιθανό ότι μετά το τέλος της τελευταίας σεζόν της αγαπημένης μας σειράς, θα ακυρώναμε τη συνδρομή μας, τουλάχιστον μέχρις ότου κυκλοφορήσει η νέα σεζόν της αγαπημένης μας σειράς.

Ένα χαρακτηριστικό παράδειγμα της προσωποποιημένης εμπορικής πρακτικής του Netflix είναι το ακόλουθο: Για την προώθηση της -ίσως πιο διάσημης- σειράς του, που ανέδειξε και καθιέρωσε την εταιρία, το House of Cards, γυρίστηκαν διαφορετικά trailers με διαφορετικές εκδοχές της ίδιας σειράς, που όμως απευθύνονταν σε διαφορετικές ομάδες κοινού, ανάλογα με τις προτιμήσεις τους. Έτσι, στα προτεινόμενα κάθε “ομάδας” εμφανιζόταν διαφορετικό trailer για την ίδια ακριβώς σειρά, ΑΝΑΛΟΓΑ ΜΕ ΤΟ ΙΣΤΟΡΙΚΟ ΤΩΝ ΠΡΟΤΙΜΗΣΕΩΝ ΤΟΥΣ. Για παράδειγμα, οι φίλοι των δραματικών ταινιών έβλεπαν μια πιο δραματική εκδοχή της σειράς, ενώ αντίστοιχα οι φίλοι των περιπετειών μια πιο περιπετειώδη εκδοχή της κ.ο.κ..
Το Netflix σήμερα συλλέγει διάφορα δεδομένα των χρηστών του, όπως η ηλικία, το φύλο, η γεωγραφική θέση, πληροφορίες σχετικά με τον υπολογιστή τους ή άλλες συσκευές που χρησιμοποιούν για την πρόσβαση στην υπηρεσία, τα προγράμματα που παρακολούθησαν από την ημέρα της εγγραφής τους, οι ημέρες και οι ώρες που συνδέονται, το ιστορικό των αναζητήσεών τους, ακόμα και τον τρόπο με τον οποίο έκαναν scroll κατά την περιήγησή τους. Καταγράφει ακόμα κάθε πότε κάνουν παύση, πηγαίνουν πίσω για να ξαναδούν μια σκηνή ή πότε περνούν με fast play μια βαρετή σκηνή.
Στην επιστήμη σήμερα δεν υπάρχει ένας οικουμενικά αποδεκτός ορισμός για τα Big Data. Μπορούμε όμως να πούμε ότι ως “Μεγάλα Δεδομένα” ορίζονται τα δεδομένα, ανεξαρτήτως είδους, που συγκεντρώνουν τα εξής βασικά χαρακτηριστικά: υπερβολικά μεγάλο όγκο (volume), μεγάλη ποικιλία (variety) και υψηλή ταχύτητα συλλογής – ακόμη και σε πραγματικό χρόνο – από πολλαπλές πηγές (velocity).
Data mining ή εξόρυξη δεδομένων είναι η διαδικασία μέσω της οποίας αποκτά κανείς χρήσιμες πληροφορίες μέσα από την κατάλληλη επεξεργασία των «ακατέργαστων», αταξινόμητων, πολύπλοκων και με μεγάλο όγκο δεδομένων, τα οποία προηγουμένως έχουν συλλεχθεί και βρίσκονται σε τεράστιες και αχανείς βάσεις.

Οι πληροφορίες που εξορύσσονται από τα δεδομένα είναι ένα πανίσχυρο “όπλο” στα χέρια των Marketers, οι οποίοι τις χρησιμοποιούν για την προώθηση των προϊόντων ή ακόμα και για τη σχεδίαση νέων.
Τα δεδομένα σήμερα, στην εποχή της 4ης Βιομηχανικής Επανάστασης, έχουν την ίδια αξία με αυτή που είχε το πετρέλαιο για τη 2η Βιομηχανική Επανάσταση και ο ατμός για την 1η (The world’s most valuable resource is no longer oil, but data, The Economist, 2017).
Με τον παραπάνω τρόπο, το Netflix γνωρίζει ποια από τα προγράμματά του πρέπει να μας προτείνει, αλλά επιπλέον στηρίζει και την παραγωγή των νέων προγραμμάτων του στις προτιμήσεις και τις συνήθειες των χρηστών του. Γνωρίζοντας με ακρίβεια τί προτιμούν οι χρήστες του, παράγει προγράμματα που είναι σχεδόν βέβαιο ότι θα γίνουν επιτυχίες, πριν καν γυριστούν.
Η χρήση των μεθόδων αυτών εμπορικής προώθησης σε καμία περίπτωση δεν είναι κατακριτέα, ούτε φυσικά είναι πρόθεση του γράφοντος να ξορκίσει τα Big Data, τα οποία αποδεικνύονται πολύ χρήσιμα σε πολλούς τομείς της ζωής μας και πέρα από την εμπορική δραστηριότητα, όπως για παράδειγμα στην Ιατρική Επιστήμη.
Αντίθετα, τα οφέλη για τον ενημερωμένο καταναλωτή είναι πολλαπλά, καθώς του παρέχεται η ευκαιρία να κάνει σωστές επιλογές, οι οποίες θα είναι της αρεσκείας του και θα καλύπτουν τις ανάγκες του, ενώ ταυτόχρονα εξοικονομεί χρόνο και χρήματα.
Η Ευρωπαϊκή Ένωση αναγνώρισε ήδη από τα μέσα της δεκαετίας του ‘90 την ΑΞΙΑ ΤΩΝ ΠΡΟΣΩΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ και θέσπισε ένα ειδικό νομοθετικό πλαίσιο, προκειμένου από τη μια να διευκολύνει την ελεύθερη ροή τους και από την άλλη να προστατεύσει τους κατοίκους των χωρών μελών της. Τελευταία μεγάλη σχετική νομοθετική πρωτοβουλία της είναι η ψήφιση του Γενικού Κανονισμού Προστασίας Δεδομένων ή ευρύτερα γνωστού ως GDPR. Σημειωτέον ότι αναμένεται ο νέος Κανονισμός ePrivacy, που θα αφορά, μεταξύ άλλων, και την επεξεργασία δεδομένων προσωπικού χαρακτήρα στις ηλεκτρονικές επικοινωνίες.
Η σημασία των μεγάλων δεδομένων για τις σύγχρονες οικονομίες και την επιστήμη του Marketing είναι αδιαμφισβήτητη. Άλλωστε, όπως πολύ εύστοχα έχει επισημάνει ο Dan Zarrella “Marketing without data is like driving a car with your eyes closed”.
Οι καταναλωτές όμως θα πρέπει να είναι ενημερωμένοι, ώστε οι πρακτικές αυτές να λειτουργούν προς όφελός τους και όχι επηρεάζοντας τη βούλησή τους, χειραγωγώντας τις αποφάσεις τους και καθορίζοντας τον τρόπο ζωής τους.

Bιβλιογραφία
  •     Mareike Jenner, (2018), Netflix and the Re-invention of Television. Palgrave Macmillan.
  •     Pant V., Yu E., (2018), Conceptual Modeling to Support the “Larger Goal” Pivot – An Example from Netflix. In: Buchmann R., Karagiannis D., Kirikova M. (eds) The Practice of Enterprise Modeling. PoEM 2018. Lecture Notes in Business Information Processing, vol 335. Springer, Cham.
  •     Kai-Ingo Voigt, OanaBuliga, Kathrin Michl, (2017), Entertainment on Demand: The Case of Netflix. In: Business Model Pioneers, Springer International Publishing.
  •     Jenkins J., (2017), Netflix. In: Schintler L., McNeely C. (eds) Encyclopedia of Big Data, Springer, Cham
  • Roberts R., (2017), Live TV, Netflix, Amazon, the Universe! In: Mastering Media with the Raspberry Pi. Apress, Berkeley, CA.
  • McDonald K. & Smith-Rowsey D., (2016), The Netflix effect: Technology and entertainment in the 21st century. London: Bloomsbury Academic.
  • Amatriain X., Basilico J., (2015), Recommender Systems in Industry: A Netflix Case Study. In: Ricci F., Rokach L., Shapira B. (eds) Recommender Systems Handbook. Springer, Boston, MA.
  •     Mary J. Cronin, (2014), Netflix Switches Channels. In: Top Down Innovation, Springer International Publishing.
  • Keating, Gina, (2012), Netflixed: The Epic Battle for America’s Eyeballs. Portfolio/ Penguin.
  •     Robert M. Bell, Yehuda Koren& Chris Volinsky, (2010), All Together Now: A Perspective on the Netflix Prize. CHANCE, 23:1, 24-29.
  •     S. Finlay, (2014), Predictive Analytics, Data Mining and Big Data, Palgrave Macmillan UK.
  •     Min Chen, Shiwen Mao, Yin Zhang, Victor CM Leung, (2014), Big Data: Related Technologies, Challenges and Future Prospects, Springer International Publishing.
  •     Hrushikesha Mohanty, PrachetBhuyan, Deepak Chenthati, (2015), Big Data: A Primer, Springer India.

Πηγή: HOMODIGITALIS.GR

Δεν υπάρχουν σχόλια:

Δημοσίευση σχολίου