Chris Choi's Blog

맞춤 추천의 비법, Netflix

with 18 comments

여러 기업들이 Web과 Mobile 상에서 고객에게 통하는 추천을 하기 위해 많은 노력을 기울이고 있습니다. Amazon과 Facebook, Google에서 보게 되는 추천 상품은 추천 Algorithm을 통해 정해진 결과입니다. Facebook은 사용자의 Web과 Mobile 활동을 분석해 연관 광고를 표시합니다. 얼마 전에 B&O의 헤드폰인 H6를 구입했는데, 구매 전에 지금 사용하고 있는 B&O의 이어폰인 A8 의 정보를 Google에서 검색했습니다. 그 흔적을 읽은 Facebook은 그 후로 광고란에 종종 A8를 표시하고 있습니다. 이처럼 광고의 효과가 거의 없는 경우도 발생하긴 합니다.

맞춤 추천의 비법, Netflix_Image 1

[Image 1. Facebook은 사용자의 Web과 Mobile 활동을 분석해 연관 광고를 표시합니다.]

이 Algorithm이 얼마나 정확한지에 따라 고객이 그 상품을 구매하거나 Link를 Click하는 비율이 달라지게 됩니다. 세계에서 가장 정확도가 높은 추천 Algorithm을 가진 기업이 있습니다. 오늘 소개해 드릴 Netflix입니다. Netflix는 DVD와 Streaming을 통해 영화와 드라마 등을 제공하는 기업입니다.

맞춤 추천의 비법, Netflix_Image 2

[Image 2. Netflix 출처: Netflix]

고객들이 끊이지 않고 원하는 컨텐츠를 소비할 수 있게 하는 것은 Netflix의 핵심 과제입니다. 이를 위해서는 훌륭한 추천 시스템이 필수적입니다. 고객들이 좋아할 만한 작품을 적절히 선정해 제공한다면 기존의 고객들을 유지하면서 신규 고객들을 유치할 수 있습니다. 그러나 반대로 고객의 선호도와 거리가 있는 작품을 제공하게 되면 컨텐츠가 널려 있는 이 시대에 고객은 순식간에 발길을 돌려 버립니다. 고객은 지루한 Browsing을 참을 만큼 인내심이 높지 않습니다.

[Video 1. “Netflix Quick Guide: How Does Netflix Make TV Show and Movie Suggestions?” 출처: Netflix YouTube Channel]

컨텐츠의 Long Tail

Netflix는 1999년부터 일찌감치 추천 기능을 도입했습니다.[1] Netflix는 DVD 영화 대여로 사업을 시작했습니다. 고객들은 인기 높은 최신작을 대부분 대여했으며, 제한된 DVD로 ROI를 달성하기가 어려웠습니다. 최신작에만 집중되는 영화 소비를 좀 더 다양하게, 그리고 고객의 취향에 맞게 분산하기 위해 추천 기능이 사용되었습니다. 고객이 자신의 취향에 맞는 작품을 선택하는 번거로움을 덜 수 있다는 점에서 고객 만족도를 높이는 것 또한 추천 기능의 목적이었습니다. DVD에서 인터넷 Streaming으로 옮겨 온 2007년부터 Streaming에 대한 추천을 시작했습니다. 추천은 모든 고객을 대상으로 합니다. 현재 가입된 고객들을 이탈 없이 유지하며, 그들이 주위의 사람들에게 Netflix에 대해 호평을 해 가입할 수 있도록 하기 위함입니다.

저는 IPTV를 사용하고 있습니다. 엄청난 컨텐츠를 앞에 두고 무엇을 선택할 지 고민이 될 때가 많습니다. 컨텐츠의 홍수 속에 개인은 선택에 어려움을 겪습니다. 이것을 미국의 심리학자인 Barry Schwartz는 ‘Paradox of Choice’라고 부릅니다. 그 홍수 속에서 고객에게 맞는 좋은 컨텐츠를 찾아 고객에게 제공하는 것이 Netflix의 경쟁력입니다.

Chris Anderson은 ‘Long Tail’ 법칙을 통해 많은 관심을 받지 못하는 다수의 상품에 대해 이야기하고 있습니다.

맞춤 추천의 비법, Netflix_Image 3

[Image 3. “Netflix data shows shifting demand down the Long Tail”, The Long Tail]

“There are no bad shows, just shows with small audience”

Neil Hunt[2]

기존의 TV나 영화는 시청률과 예매율이 높은 소수의 작품들이 인기의 대부분을 차지합니다. 시청자와 관객 입장에서 선택의 폭도 극히 제한적입니다. 방송사와 영화관이 선택한 컨텐츠 내에서 선택할 수밖에 없습니다. 그러나 Netflix는 고객들에게 선택의 권리를 제공하니다. Netflix에게는 Long Tail에 해당하는 컨텐츠들이 나쁜 컨텐츠가 아닙니다. 다만 대상 관객이 다를 뿐입니다. 적절한 관객을 찾아 주고, Long Tail의 컨텐츠들에 더 많은 관객들을 찾아 주는 것이 Netflix의 방향성 중 하나입니다.

지상파나 유료 케이블의 입장에서는 영화나 드라마의 흥행이 중요합니다. 그렇지 않으면 컨텐츠는 사장되며, 업체는 매출 확보에 어려움을 겪을 수 있습니다. Netflix의 Long Tail 분석은 다큐멘터리, 독립 영화 등을 포괄하는 문화적 다양성에 기여하며, 이러한 측면에서 일종의 상생이 될 수 있습니다.

Recommendation and Personalization

Netflix의 추천은 개인화에 기반을 두고 있습니다. 5천만 명에 달하는 고객에게 개인 맞춤 채널을 제공하는 것이 Netflix의 목표입니다. 이를 위해 Netflix는 개인의 성향과 관심사를 철저히 분석합니다. 가입자 정보를 보유하고 있기 때문에 연령과 성별 등의 정보를 추천을 위한 분석에 사용할 수 있습니다. 그러나 이런 정보보다 어떤 영화나 드라마를 시청했는지가 더 중요한 요소로 사용됩니다.

맞춤 추천의 비법, Netflix_Image 4

[Image 4. Netflix 추천의 요소들]

사용자들이 어떤 영화를 선택하고, 어떤 장면에서 정지를 하는지, 어떤 장면에서 빨기 감기나 되감기를 하는지 분석합니다.[3] 어떤 영화를 검색하고 어떤 영화에 몇 점의 평점을 주는지도 분석의 대상입니다. 시청 정보가 쌓이면 쌓일수록 더욱 정확도가 높은 분석이 가능하게 되며, 사용자의 Context를 이해하게 됩니다. Netflix는 다음과 같은 엄청난 데이터를 분석해 추천에 활용하고 있습니다. [4]

  • 50 Million Subscribers in 40 Countries
  • 7 Billion Viewing Hours in Q2 2014
  • 90 Minutes per Day
  • 150 Million Choices per Day
  • 1,000 Device Types
  • 70 Million Plays per Day
  • 4 Million Search per Day
  • 6 Million Ratings per Day

CineMatch라 불리는 Netflix의 추천 Algorithm은 위의 데이터를 Input으로 이용해 고객들에게 영화와 드라마를 추천합니다. 고객의 선호와 그 동안의 시청 이력을 통해 고객이 좋아할 만한 작품을 추천하는데, 이런 작품들이 추천의 3분의 2를 차지합니다. 나머지 3분의 1은 해당 고객과 유사한 선호를 가진 다른 고객들이 선호하는 다른 장르의 작품들이 추천작으로 표시됩니다. 좋아하는 작품들과 새로운 작품들을 균형 있게 추천하는 것이 좋아하는 작품만을 추천하는 것보다 만족도가 더 높다고 합니다. Netflix 고객들이 시청하는 영화의 75%는 CineMatch가 추천한 영화들입니다. 2006년에는 ‘Netflix Prize’라는 이름으로 추천 Algorithm의 정교화를 위한 대회를 열기도 했습니다. Belkor’s Pragmatic Chaos팀이 고객들의 영화 평가 예측의 정확도를 10.06% 높여 100만 달러의 상금을 받았습니다.

아래의 각 열은 각각 다른 Algorithm을 적용해 도출한 추천 목록입니다.

맞춤 추천의 비법, Netflix_Image 5

[Image 5. “Netflix Recommendations: Beyond the 5 stars (Part 1)” 출처: The Netflix Tech Blog]

Social Media도 놓칠 수 없습니다. Facebook과 Partnership을 맺어 친구가 본 영화 목록, 친구가 별점을 매긴 영화들을 공유할 수 있습니다. 컨텐츠를 구입하거나 제작할 때 심지어 불법 다운로드 사이트도 분석합니다. 사람들이 어떤 작품을 선호하고 있는지, 앞으로 어떤 작품들이 통할지 분석해 볼 수 있기 때문입니다.

한 가정에 여러 명이 있다면 어떻게 추천을 할까요? 추천의 단위는 가족이 아닌 개인입니다. 한 계정에 여러 명의 사용자를 등록할 수 있도록 하며, 다른 작품들을 추천합니다.

Altgenres and Microtagging

영화의 기본적인 분류 기준 중 하나는 장르입니다. Netflix는 영화의 장르를 단순히 액션, 로맨스 등으로 나누지 않습니다. 대신 수 만 가지로 장르를 세분화 하고, 사용자들이 관심 있을 만한 장르를 분석합니다. 각각의 장르를 ‘Altgenre’라 일컬으며, ‘Region + Adjectives (Popularity0 + Genre + Descriptors + Area + Time Period + Content Areas + Ages…’와 같은 일정한 형식이 있습니다. 예를 들면 ‘British + Romantic + Movies + Based on Books + Set in Europe + From the 1970s…’과 같은 식입니다.

영화의 속성을 상세히 묘사하는 것도 Netflix의 정밀한 추천을 가능하게 하는 요소입니다. 이를 ‘Microtagging’이라 부릅니다. 영화 관련 학교를 졸업한 이들이 재택 근무로 한 편씩 영화와 드라마 등을 시청하면서 관련 Tag를 지정하는 것입니다. 이들을 ‘Tagger’라고 부릅니다. Microtagging은 2006년부터 수행되었는데, 서버의 분석 결과와 사람들의 분석 결과가 결합되어 이전보다 더 좋은 결과를 낳게 되었습니다. 현재는 Tag의 종류가 천 개가 넘습니다.

[Video 2. “Netflix taggers fuel company’s stream of success” 출처: CBS This Morning YouTube Channel]

A/B Testing DevOps

변경된 추천 Algorithm은 A/B Testing을 통해 검증됩니다. Algorithm 검증을 위해 Offline 테스트를 수행하고, 선택된 Control Group을 대상으로 A/B Testing을 수행해 결과가 만족스러우면 전체 고객을 대상으로 Algorithm 변경 내용을 적용합니다. 검증의 기준은 0.1%의 고객 유지 개선도 Retention improvement, 그리고 0.1%의 단위 시간 당 시청 수 Viewing 입니다.[5] 금액으로는 연 기준으로 500 ~ 5,000만 달러에 달합니다. 한 달 내에 이 기준을 달성해야 Production에 적용할 수 있으며, 결코 달성하기 쉽지 않은 수치입니다. 실패하면 또 다시 A/B Testing을 수행해야 하므로 Overhead가 될 수 있습니다.

Node.js를 활용해 좀 더 편리하게 테스트를 수행합니다.[6]

맞춤 추천의 비법, Netflix_Image 6

[Image 6. “Netflix Recommendations: Beyond the 5 stars (Part 2)” 출처: Netflix Tech Blog]

Netflix는 DevOps[7]를 수행하는 대표적인 기업 중 하나입니다. DevOps의 가장 큰 특징 중 하나는 빈번한 배포와 변경 작업의 자동 수행입니다. 개발팀과 운영팀의 협업을 통해 신속한 서비스 변경을 가능하게 하는 것입니다. 일반적으로 개발팀은 적극적인 변경 작업을, 운영팀은 안정성을 지향하며 충돌이 나기 십상입니다. 그러나 DevOps는 협업을 바탕으로 서비스를 조금씩 자주 변경해 위험을 분산하는 토대가 됩니다.

A/B Testing과 DevOps는 빠른 Testing과 검증 및 배포를 통해 신속한 추천 Algorithm 변경을 가능하게 하는 요소들입니다. Algorithm은 한 달 내에 테스트 및 배포가 완료됩니다.

House of Cards

Netflix의 추천 시스템은 이제 추천을 넘어 ‘Netflix Original’이라 불리는 자체 제작으로 이어지고 있습니다. 대표적인 자체 제작 작품은 『House of Cards』입니다. 사용자 분석을 통해 사용자들이 선호하는 장르, 선호하는 감독, 선호하는 배우를 도출했습니다. 『House of Cards』는 1990년대 BBC의 드라마를 Remake 한 것으로, BBC의 드라마를 선호하는 사용자들은 David Fincher 감독과 배우 Kevin Spacy를 선호한다는 분석으로부터 시작되었습니다. 이외에도 사용자들은 David Fincher 감독의 작품인 『The Social Network』를 처음부터 끝까지 시청한 빈도가 높다는 점, Kevin Spacy가 출연한 영화에 대한 시청 회수가 많다는 점도 고려되었습니다. Netflix는 Season 1, 2 제작에 1억 달러를 투자했습니다.

이 작품으로 2013년에는 Emmy상을 수상하기도 했습니다. 지상파나 케이블 TV가 아닌 Internet Streaming 업체가 수상하는 것은 매우 이례적인 일이었습니다. 2013년에는 감독상 등 세 부문에서, 2014년에는 한 부문에서 Emmy 상을 수상했습니다.[8]

맞춤 추천의 비법, Netflix_Image 7

[Image 7. House of Cards 출처: Netflix]

시리즈가 끝나기를 기다렸다가 몰아서 미드를 보는 것을 ‘Binge-viewing’ 혹은 ‘Binge-watching’이라고 합니다. 그러나 이제는 시리즈가 끝나길 기다릴 필요가 없을 듯 합니다. 『House of Cards』는 모든 시리즈가 한 번에 공개되었습니다. 지상파나 케이블 TV가 한 주에 한 두 편씩을 방송하는 이유는 광고 때문입니다. Netflix는 광고가 없기 때문에 시간을 두고 컨텐츠를 공개할 필요가 없습니다. 또한 하나의 Episode가 42분이 아닌, 1시간을 가득 채웁니다. 좀 더 풍성한 Storytelling이 가능하다는 얘기입니다.

『House of Cards』는 시청자들에게 권리를 돌려 준 것 같은 느낌을 줍니다. 그들이 보고 싶은 컨텐츠를 Netflix에게 알려 주고, Netflix는 그에 맞는 작품을 제작하고 구입합니다. 고객들의 시청 행태를 통해서 말입니다.

Implication

5천만의 고객에게 5천만 개의 맞춤 채널을 제공하는 일은 결코 쉬운 일이 아닙니다. 그러나 Netflix는 데이터 분석에 근거한 추천을 점점 더 정교화 하고 있으며, 언젠가는 1인 1채널을 제공하는 시대가 올 것이라 생각합니다. Netflix는 오직 데이터 분석에 집중하며, 광고 수익이나 3rd Party에의 정보 판매 같은 일은 전혀 고려하고 있지 않기 때문입니다. 다양한 관점에서 추천과 컨텐츠 제작 및 구입을 고려하는 Netflix의 행보가 바로 맞춤 추천의 비법입니다.

References

[1] “Quantifying the Value of Better Recommendations”, Neil Hunt

[2] “Quantifying the Value of Better Recommendations”, Neil Hunt

[3] 시청 Event의 분석은 중요합니다. 예를 들어 같은 한 시간이라도 사용자마다 시청의 밀도가 다를 수 있습니다. 중간에 멈췄다 재생했다 하는 것보다는, 한 편의 영화를 보는 동안 한 번도 Event가 발생하지 않는 것이 시청의 밀도가 높다고 볼 수 있습니다.

[4] “10 Lessons Learned from building ML Systems”, Xavier Amatrian, Netflix

[5] “Quantifying the Value of Better Recommendations”, Neil Hunt

[6] “Scaling A/B testing”, Chris Saint-Amant

[7] DevOps는 Development (개발) 과 Operation (운영) 의 합성어입니다.

[8] “House of Cards”, Emmys

Advertisements

Written by Chris Choi

December 20, 2014 at 12:44 am

18 Responses

Subscribe to comments with RSS.

  1. […] 전에 Netflix의 Recommender System에 대한 글 ) 을 한 편 썼다. 여러 분이 Facebook에 공유해 주셔서 조회수가 꽤 높아졌다. […]

  2. 글 잘 읽었습니다. 딴지는 아니고..

    Implication 에서

    Netflix는 오직 데이터 분석에 집중하며, 광고 수익이나 3rd Party에의 정보 판매 같은 일은 전혀 고려하고 있기 때문입니다. -> 전혀 고려하고 있지 않기 때문입니다.

    아닌가요?

    tempKDW

    December 26, 2014 at 1:45 pm

    • 맥락이 이상하게 될 뻔 했네요. 말씀해 주셔서 감사 드립니다.^^

      Chris Choi

      December 26, 2014 at 2:05 pm

  3. […] Netflix의 Recommender System에 대해 조사하면서 Netflix가 혁신을 지속할 수 있는 원동력이 무엇인지 궁금해졌습니다. 그러다 Facebook의 COO이자 미국의 차세대 여성 리더인 Sheryl Sandberg가 Netflix에 대해 언급한 부분을 발견했습니다. […]

  4. […] Netflix에 대해 관심을 갖게 되었습니다. Netflix에 관한 자료를 수집하면서 Recommender System과 Corporate Culture 등에 대해 글도 써 보았습니다. 발표자 분들과 Facebook으로 […]

  5. […] Netflix에 대해 관심을 갖게 되었습니다. Netflix에 관한 자료를 수집하면서 Recommender System과 Corporate Culture 등에 대해 글도 써 보았습니다. 발표자 분들과 Facebook으로 […]

  6. […] Netflix의 Recommender System에 관한 글을 가장 많이 읽어 […]

  7. […] 전강훈님: 맞춤 추천의 비법, Netflix […]

  8. […] [Link 4. “맞춤 추천의 비법, Netflix”] […]

  9. […] 실리콘밸리의 한국인, 글로벌 IT 무대에서 활약하는 우리들의 이야기: 매번 참석하고 있는 실리콘밸리의 한국인. 실리콘밸리에 대한 이야기도 흥미롭지만, 사실 그들의 Story와 삶에 대한 태도가 더 흥미롭다. […]

  10. […] 맞춤 추천의 비법, Netflix […]

    Netflix | Chris Choi's Blog

    January 10, 2016 at 2:00 am

  11. […] .우연한 기회에 Twitter를 서로 Follow 하게 되었고 – 제 기억엔 제가 쓴 ‘맞춤 추천의 비법, Netflix’를 보고 김진영님이 Follow 해 주셨고, 제가 바로 김진영님을 Follow 했습니다 […]

  12. […] 2014년: 맞춤 추천의 비법, Netflix […]

  13. […] [Link 4. ‘맞춤 추천의 비법, Netflix’] […]

  14. […] 맞춤 추천의 비법, Netflix […]

    Data | Chris Choi's Blog

    February 21, 2017 at 2:20 pm

  15. […] [Link 1. ‘맞춤 추천의 비법, Netflix’] […]

  16. […] [Link 4. ‘맞춤 추천의 비법, Netflix – Binge-watching] […]


Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: