Netflix, pandemi dönemini en kârlı geçiren dijital platformlardan biri olarak görünüyor. Çevrim içi dizi-film platformu olarak karantina günlerinde 10 milyon yeni üye kazanan Netflix bu başarıyla yetinecek gibi durmuyor. Yüzlerce dizi, film ve şovunu en etkin şekilde pazarlamaya kararlı olan şirket, hangi bölgelerde hangi tür içeriklerin popüler olduğunu ve bunu hesaplamada yapay zekânın işlerini nasıl kolaylaştırdığını özetleyen bir blog yazısı yayınladı. Netflix’in içerik üretme ve pazarlama stratejisinin yapı taşını yapay zekâ oluşturuyor.
Çeşitli kategoriler belirleniyor
Bir dizi, film ya da şov için içerik yaratmak zorlu ve pahalı bir süreç anlamına geliyor. Sadece fikir aşamasındaki bir içeriğin detayları için bile yaratıcılık, toplumsal bağlam, izleyici kompozisyonu, dekor çeşitleri gibi onlarca farklı faktör göz önünde bulunduruluyor. İçeriklerin fikir aşamasından üretime geçilmesi ise çok daha zor ve riskli bir süreci temsil ediyor. Hangi içeriklerin “hit” olacağını tahmin etmek hiçbir zaman kolay olmuyor. Tahmin işinde önceden tarihsel veriler kullanılıyordu. Hangi bölgede, hangi tür içerikler daha çok izlenmiş gibi analizler reyting oranları baz alınarak yapılıyor ve kararlar bu tek yönlü araştırmalar ışığında veriliyordu.
Tahmin edebileceğiniz üzere bu analizler yeterli olmuyordu. Çünkü izleyici tercihlerini etkileyen tüm faktörleri göz önünde bulundurmak, insan beyni için imkansıza yakın bir iş anlamına geliyor. Yapay zekâ tam da bu noktada Netflix’e yardımcı oluyor; hangi içeriklerin hit olacağını tahmin ediyor. Aslında tahminden biraz daha fazlasını yapıyor ve tespit ediyor. Yapay zekânın tespit sürecinde iki anahtar soru üzerinde duruluyor:
- Olası içeriğin mevcut içeriklerden hangileriyle, hangi yönlerden bağlantısı var?
- Hangi bölgelerde ne tür kitlesel etkileri olur?
Üyeler ve izledikleri içeriklerin sayısı ve çeşidi arttıkça, bu iki soruyu geleneksel yöntemlerle cevaplamak daha da zorlaşıyor. Bu zorluksa, makine öğrenimi ve istatiksel modellemenin küresel ölçekteki karar verme mekanizmalarını nasıl geliştirdiğini gözlemlemek için bir fırsat oluyor. Makine öğrenimi ve istatiksel modellemenin bu tarz bir “tahmin etme” işlemine geleneksel yöntemlere kıyasla iki yönden büyük katkısı oluyor:
- Çok daha geniş bir tarih aralığını inceleyebiliyorlar.
- Olası içerikle ilgili başlıkları izole ederek tarihsel her dönemi daha detaylı ve etkili bir şekilde analiz ediyorlar.
Tahmin sonuçlarına göre, hangi bölgede hangi tür içeriklerin rağbet gördüğü detaylarıyla rapor haline getiriliyor. Reklam çalışmaları da bu sonuçlar üzerinden çeşitleniyor.
İçerik yaratma süreci
makine öğrenimi ve istatiksel modelleme Netflix’e sadece pazarlama stratejilerini belirlemede değil içerik yaratma sürecinde de yardımcı oluyor. Yapımcılara içeriğin önceki yapımlarla hangi noktalarda örtüştüğünü gösteren, bir sürü başlık etrafında şekillenmiş bir benzerlik haritası sunuluyor. Örneğin, içeriğin “[tooltip tip=”Sevdiğim Tüm Erkeklere”] All the Boys I’ve Loved Before [/tooltip]” gibi eğlenceli mi yoksa “[tooltip tip=”Dünyanın Sonu”] The End of the F***ing World? [/tooltip]?” gibi karanlık bir eğilimi mi var görebiliyorsunuz. Yapımcının merak ettiği tüm başlıklar analiz ediliyor ve benzerlik haritasına yerleştiriliyor. Bu şekilde potansiyel içeriğin, mevcut içerik evreninde nasıl konumlandığı daha geniş açıdan görülebiliyor. İçerik üreticileri ve yapımcılar kararlarını bu benzerlik haritasına göre veriyor. Ekleme, çıkarma ve değişiklikler, oyuncu seçiminden repliklere ve dekora kadar tüm detaylar bu benzerlik haritasına göre belirleniyor.
Potansiyel izleyici kitlesinin ne kadar büyük olacağı ve coğrafi olarak hangi bölgelere dağılacağı hem içerik üreticileri hem de pazarlamacılar için büyük önem taşıyor. Benzerlik haritasına göre içeriğinizi oluşturan başlıkların Meksika, Brezilya ya da Arjantin’de büyük kitlelere ulaşacağı sonucunu çıkardığınız takdirde onu, Amerika’da tutacağına inandığınız bir içerikten farklılaştırıyorsunuz. Dekoruna, repliklerine ya da oyuncu profiline karar verirken tercihleriniz değişiyor. Ayrıca içeriği nasıl tanıtacağınıza, hangi reklam kanallarını kullanacağınıza, alt yazı ve dublajları nasıl çeşitlendireceğinize dair tüm stratejileriniz şekilleniyor.
Tekrarcılık düşündürüyor
Makine öğreniminin Netflix’in işini kolaylaştırdığı bir gerçek fakat içeriklerin doyuruculuğu bu süreçten aynı oranda olumlu mu etkileniyor? Son dönemde siz de Netflix’te farklı bir içerik bulmakta zorlandığınızı hissettiniz mi? Tekstil sektöründeki tüketim çılgınlığına benzer bir içerik tüketiciliğinin dijital dizi film sektöründe de etkin olmaya başladığını düşündünüz mü?
Netflix’e içerik üretme ve pazarlama stratejilerinde yarar sağlayan makine öğrenimi yaratıcılığı öldürüyor ve taklitçiliği meşrulaştırıyor olabilir. Belli bölgelerde çok izlenen yapımların, benzerlik haritasındaki başlıklara göre çok benzer senaryolar, karakter tiplemeleri, dekor, kostüm ve repliklerle tekrar tekrar sunuluyor olması bu teoriyi kuvvetlendiriyor diyebiliriz.
Netflix’in Avrupa ülkelerinde ve Türkiye’de kısa sürede geniş yankı bulan “[tooltip tip=”Emily Paris’te”] Emily in Paris [/tooltip]” yapımı sosyal medyada [tooltip tip=”Dedikoducu Kız”] Gossip Girl [/tooltip] ile olan benzerliğiyle gündeme geldi. Kostümler, tiplemeler, mekanlar ve konu o kadar benzerlik gösteriyordu ki Netflix’in yayınladığı makalenin ardından Emily in Paris yapımcılarının içerik üretme ve pazarlama sürecini hayal etmek çok zor olmuyor.
Beğendiğimiz içeriklerin benzerlerini izleme fırsatı ilk anda kulağa hoş gelebilir. Ancak sevilen yapımları bizler için özel kılan “ender” olmaları değil midir? Yeni konular, yeni karakter tiplemeleri, yeni kostüm ve dekor dizaynları yaratıcılığı sürekli kılar. Yaratıcılık da yeni ve farklı güzel işleri meydana getirebilir. Üstelik, daha önce beğenilmiş yapımlarla çok fazla benzer özellik içermek yeni içerikler için de riskli olabilir. İzleyicinin hafızasında yer etmiş yapımlarla kıyaslanmak o kadar da faydalı bir fikir olmayabilir.
“Mükemmel içeriği yaratmak zordur, pek çok farklı faktörü içerir ve önemli ölçüde yatırım gerektirir. Üstelik başarılı olup olamayacağı her zaman bir muammadır.”
Makalede yer alan bu açıklama açıkça gösteriyor ki başarıyı tahmin edebilmek dijital içerik üreticiliği sektöründe anahtar rolü görüyor. Makine öğrenimi bu tahmin sürecinde geleneksel yöntemlerin ulaşabileceği her sonuçtan daha gerçekçi sonuçlara ulaşabiliyor. Sektörde yaratıcılığı ve başarıyı birlikte sürdürebilmek için yapay zekânın sunduğu verilerin akıllıca kullanılması gerekiyor. Netflix için benzerlik haritası şüphesiz fayda sağlıyor fakat yeni keşifler için haritada kaybolmamak gerekiyor.