Há apenas uma métrica pela qual você pode medir o sucesso de um serviço de IPTV: receita. A lista de assinaturas é irrelevante se não está lucrando. Então é essencial fornecer o tipo de serviço que engaja os usuários, impulsiona o crescimento orgânico e retém os espectadores. A maneira mais eficaz de fazer isso é através de recomendações precisas com a ajuda de uma solução de Machine Learning (ML).
As possibilidades de Machine Learning – e a relevância de sua produção – são definidas inteiramente pela qualidade dos dados nos quais se baseia, como explica a Western Digital: "O processo começa entendendo cada espectador: o que eles estão assistindo agora, o que assistiram antes, o que assistiram a seguir, quando assistiram, quantas vezes eles voltam a assistir, onde eles clicam mais na tela, e muito mais".
Os padrões dentro dos dados são combinados a atributos, como gênero, duração do programa e quem se apresenta no conteúdo para determinar "quais vídeos devem ser recomendados, onde devem ser colocados na tela, quais gráficos devem ser usados, etc".
O Machine Learning pode ser associado à Inteligência Artificial e ao processamento natural da linguagem não apenas para melhorar a relevância das recomendações feitas pelos serviços de IPTV, mas a forma como os usuários interagem com eles.
Os dois tipos de dados exigidos pelo algoritmo de Machine Learning são fundamentalmente diferentes. Um – métricas sobre o conteúdo oferecido – é estático, mas o outro – comportamento do usuário – está vivo e em constante mudança. Os provedores de IPTV que obtêm o maior benefício das possibilidades de Machine Learning são aqueles que desenvolvem o sistema mais compreensivo para coletar métricas de usuários.
Os dados mais valiosos são baseados em tempo. Freya Rajeshwar, que trabalhou na Society of Motion Picture and Television Engineers, antes de se mudar para o Google Play, Movies & TV, explica que o IPTV é muito orientado por temporal analytics. Algumas análises adicionais são baseadas em Metadata, composto principalmente por texto, mas a maioria são dados comportamentais, que são temporais. Uma temporada típica de um programa de TV é formada quase exatamente por um milhão de quadros. Cada um desses quadros 1M+ é um ponto de referência de dados sobre o comportamento do usuário. E embora a website analytics possa ter inúmeros elementos, é raro que um usuário tenha a opção de parar, pausar, retroceder, avançar rapidamente, aumentar o volume, diminuir o volume, silenciar, etc, um milhão de vezes os quadros que uma série de TV terá. Os dados coletados do usuário de IPTV quase sempre excedem o tamanho dos arquivos de vídeo com a profundidade e o volume dos dados que são gravados.
A construção de um sistema de Machine Learning para sustentar um serviço de IPTV requer, portanto, um investimento significativo no back-end, que irá reunir e analisar os dados temporais. Um investimento desse pode não ser óbvio no início, mas poderá fazer a diferença entre um serviço que pode aumentar seu público e tem os dados necessários para oferecer valor real desenvolvendo serviços adicionais, e um que pode competir em pouco mais do que apenas o preço.
O Machine Learning também requer um grau de feedback e a métrica mais óbvia é se o espectador realizou a ação que o provedor de IPTV queria.
"Determinar explicitamente o resultado permite que o algoritmo de ML faça um melhor palpite na próxima interação da função, desenvolvendo previsões mais precisas à medida que o tempo avança e mais dados se tornam disponíveis. Esse é o conceito de aprendizado", observou Tony Orme na Broadcast Bridge. "Algumas partes da televisão são mais adequadas para a ML do que outras. Por exemplo, o uso do ML para descobrir os hábitos de visualização de entrega de OTT para telefones celulares é ideal, pois há um resultado definitivo; o espectador ou assiste ao programa ou não. O feedback do software de visualização do dispositivo móvel fornecerá isso.
Aparentemente, as possibilidades são infinitas – e à medida que os computadores ficam mais poderosos, e os preços de armazenamento diminuem, a tentação será coletar mais dados, sejam fixos ou temporais, em um esforço para entregar estímulos comportamentais mais eficazes. Isso só será eficaz se os provedores de IPTV já souberem o que um resultado bem-sucedido constituiria. A chave, então, pode não ser reunir todos os pontos de dados possíveis, mas perguntar primeiro que resultado eles esperam entregar e, em seguida, considerar quais dados eles precisam para atender a esse objetivo. O resto é só barulho.
Igor Rumyantsev, CTO da SmartLabs.
