Анализируй как Netflix (и зарабатывай в разы больше)

Вы наверняка знаете, что Netflix подбирает обложки к фильмам и сериалам исходя из ваших предпочтений.

Например, если вам нравятся старые фильмы, то вы увидите такую обложку, как референс к фильму “Охотники за привидениями”

А если вам нравятся ужастики, то такую.

И так происходит со всем контентом. Но это лишь верхушка айсберга.

Аналитика у Netflix чуть ли не основное направление работы.

Если вы когда-нибудь заглядывали в блог к их разработчикам, то наверняка заметили, что словосочетание “A/B тест” проскальзывает чуть ли не в каждом посте.

Они тестируют БУКВАЛЬНО ВСЁ.

Обладая бигдатой на основании данных 200 млн подписчиков (напомню, 5 лет назад, их было 80 млн) они под микроскопом исследуют все данные, которые отдаёт им пользователь 

- обложку, по которой был клик

- время просмотра (в т.ч. в меню)

- предпочтения

- актёры

- выходы из видео

- скролл внутри приложений

- и так далее бесконечно

А если Netflix не может сделать A/B-тест из-за сложных условий и вероятности получить статистически неверные значения, они проводят так называемые квази-эксперименты, в которых помимо обычных параллельных тестов присутствуют ещё динамические данные с учетом исторической выборки и без неё.

Плюс берутся во внимание:

• локация исследования

• ментальность населения

• предпочтения на конкретной территории

• расовая толерантность

• и ещё хрен-знает-сколько метрик, объединённый в один общий machine learning

ВЫВОДЫ

Рядовому рекламщику, конечно, и не снилась аналитика подобного уровня, но что это, если не повод задуматься над оптимизацией вашей рекламы?

Даже простой A/B тест на дистанции может вытащить из минуса, казалось бы, убыточную связку.

Что уж говорить про более глубокий подход - так может выясниться, что вообще ничего в минус продать невозможно, нужно лишь найти точку приложения силы.

В общем, подумайте над этим.