Tahmine Dayalı OTT Kişiselleştirme: Yapay Zeka Metaverileri ve Müşteri Kaybının Azaltılması

Bir OTT işletmesi için, bir izleyicinin abone olmasını sağlamak sadece başlangıçtır.

Asıl zorluk, o aboneye izlemeye devam etmesi, geri dönmesi ve aboneliğini yenilemesi için yeterli değeri sunmaktır.

Akış kütüphaneleri genişledikçe, izleyiciler her zamankinden daha fazla seçeneğe sahip oluyor. Bir platformda yüzlerce ya da binlerce içerik bulunabilir, ancak geniş bir kütüphane otomatik olarak daha iyi bir izleme deneyimi anlamına gelmez. Aboneler ilgilerini çeken bir içeriği hızlı bir şekilde bulamazlarsa, platformda bol miktarda kaliteli içerik olsa bile etkileşim düzeyi düşebilir.

İşte tam da burada tahmine dayalı OTT kişiselleştirme önem kazanır.

Tahmine dayalı kişiselleştirme, izleyicilere sadece daha önce izlediklerine göre içerik sunmak yerine, davranışsal ipuçlarını kullanarak bir sonraki adımda ne isteyebileceklerini öngörür. Otomatik meta veriler ve müşteri kaybı tahmini ile birleştirildiğinde, bu yaklaşım OTT işletmelerinin genellikle ayrı ayrı yönetilen üç alanı birbirine bağlamasına yardımcı olabilir:

İçerik → Kullanıcı davranışı → Kullanıcı tutma oranı

Sonuç olarak, işletmelerin içerik keşfini iyileştirmelerine, operasyonel iş yükünü azaltmalarına ve ilgisini kaybetmekte olan aboneleri tespit etmelerine yardımcı olabilecek, daha hızlı tepki veren bir OTT deneyimi ortaya çıkıyor.

Tahmine dayalı OTT kişiselleştirme, izleyici davranışları, içerik bilgileri ve tahmin modellerinden yararlanarak tek tek abonelerin bundan sonra neye ilgi duyabileceğini öngörmektir.

Geleneksel kişiselleştirme genellikle şu şekilde yanıt verir:

Bu izleyici ne izlemiş?

Tahmine dayalı kişiselleştirme şu soruyu sorar:

Bu izleyicinin son dönemdeki davranışlarına göre, bir sonraki adımda en çok neyi isteme olasılığı yüksektir?

Bu fark önemlidir.

Bir abone normalde belgesel izliyor olabilir, ancak birdenbire canlı spor yayınlarını izlemeye başlayabilir. Başka bir izleyici ise belirli bir diziyi sık sık izliyor olabilir, ancak bölümleri yarıda bırakmaya başlayabilir.

Geçmiş tercihlere büyük ölçüde dayanan bir kişiselleştirme sistemi, her iki izleyiciye de aynı şekilde davranmaya devam edebilir.

Bir tahmin sistemi, davranışların değiştiğini fark edebilir.

Sinyaller şunları içerebilir:

• Görüntüleme geçmişi

• İzleme süresi

• Tamamlanma oranları

• Arama etkinliği

• İzleme listesine eklenenler

• Seans sıklığı

• İçerik kategorileri

• Cihaz kullanımı

• Günün saati

• Abonelik faaliyetleri

• Son dönemdeki faaliyetler

• Önerilen içeriklerle etkileşim

Amaç, her eylemi kusursuz bir şekilde tahmin etmek değildir.

Bunun amacı, mevcut sinyalleri kullanarak platformla yapılacak bir sonraki etkileşimi daha alakalı hale getirmektir.

İzleyicilerin erişebileceği içerik miktarı artmaya devam ederken, izleyicilerin dikkat süresi sınırlı kalmaktadır.

Bu durum bir tespit sorununa yol açar.

Bir abone, bir OTT uygulamasını her açtığında kataloğun tamamını tek tek incelemek istemez. Platformun, izlemeye değer bir içeriğe hızla ulaşmasına yardımcı olmasını ister.

Bu da kişiselleştirmeyi izleme deneyiminin önemli bir parçası haline getiriyor.

Ancak kişiselleştirmenin bir de ticari boyutu vardır.

Daha ilgili bir deneyim, potansiyel olarak şunlara destek olabilir:

• Daha yüksek katılım

• Daha sık seanslar

• İçerik tüketiminin artması

• İçerik kataloğunun daha iyi kullanılması

• Daha yüksek abone memnuniyeti

• Daha iyi tutma performansı

İşte bu nedenle OTT kişiselleştirmesi yalnızca bir ana sayfa özelliği olarak değerlendirilmemelidir.

Bu, daha geniş kapsamlı abone yaşam döngüsünün bir parçası haline gelebilir.

Bu iki kavram birbiriyle örtüşmektedir, ancak aynı değildir.

Her hafta polisiye dizileri izleyen bir aboneyi düşünelim.

Geleneksel kişiselleştirme, suç dizilerini önermeye devam edebilir.

Tahmine dayalı kişiselleştirme, abonenin son zamanlarda gerçek hayattaki soruşturmalarla ilgili belgeseller izlemeye başladığını fark edebilir.

Platform, kullanıcıların bilinen tercihlerinin yanı sıra ilgili belgeselleri de sunarak buna yanıt verebilir.

Bu, izleyicinin halihazırda sevdiği şeylerden tamamen vazgeçmeden daha esnek bir deneyim sunar.

Kişiselleştirme, iki hususu anlamaya bağlıdır:

İzleyici kimdir? ve İçerik nelerden oluşuyor?

İzleyici davranışları bu konunun ilk kısmını oluşturur.

Meta veriler, ikinci kısmın büyük bir bölümünü oluşturur.

Bir OTT kataloğundaki her bir içerik, aşağıdakiler gibi değerli bilgiler içerebilir:

• Tür

• Alt tür

• Dil

• Oyuncular

• Müdür

• Yayın yılı

• Açıklama

• Temalar

• Anahtar kelimeler

• İçerik derecelendirmesi

• Bölüm bilgileri

• Ülke

• Süre

Bu bilgiler ne kadar yapılandırılmış ve tutarlı olursa, geniş bir içerik kütüphanesini düzenlemek ve analiz etmek o kadar kolaylaşır.

İşte bu noktada otomatik meta veriler büyük fayda sağlayabilir.

Otomatik meta veriler, her alanın manuel olarak girilmesini gerektirmeden video içeriğiyle ilgili bilgileri teknolojinin yardımıyla ayıklamak, sınıflandırmak veya oluşturmak için kullanılır.

İş akışına bağlı olarak, otomasyon şu konularda yardımcı olabilir:

• Konuşma transkripsiyonu

• Anahtar kelime çıkarma

• Tür sınıflandırması

• Konu belirleme

• Dil algılama

• Sahne analizi

• Varlık tanıma

• Altyazı oluşturma

• İçerik etiketleme

• Açıklama oluşturma

Küçük bir içerik kütüphanesine sahip bir OTT platformu için, meta verilerin manuel olarak yönetilmesi mümkün olabilir.

Yüzlerce veya binlerce varlığı platformuna ekleyen bir kuruluş için bu, önemli bir operasyonel yük haline gelebilir.

Otomasyon, tekrarlayan iş yükünü azaltırken, içerik ekiplerinin önemli bilgileri gözden geçirip onaylamasına olanak tanır.

İçerik kütüphaneleri birbirine eşit derecede zengin olan iki OTT platformu düşünün.

A Platformu’nda tutarsız meta veriler bulunmaktadır.

Bazı başlıkların ayrıntılı açıklamaları vardır. Diğerlerinde ise bilgi sınırlıdır. Türler tutarsız bir şekilde belirlenmiştir. Eski içeriklerde etiketler eksiktir.

B Platformu, kataloğunun tamamında yapılandırılmış meta verilere sahiptir.

Bu eserler, tür, dil, temalar, oyuncu kadrosu, konular ve diğer ilgili özelliklere göre tutarlı bir şekilde sınıflandırılmıştır.

B Platformu, kütüphanesini düzenlemek ve kişiselleştirilmiş içerik ilişkileri kurmak için daha sağlam bir temele sahiptir.

İşte bu nedenle meta veriler, sadece idari bir görevden ibaret değildir.

İzleme deneyiminin ardındaki altyapının bir parçası haline gelebilir.

1.000 yeni video alan bir OTT hizmetini ele alalım.

Manuel bir iş akışı, ekibin her bir varlığı incelemesini ve birden fazla meta veri alanını oluşturmasını veya doğrulamasını gerektirebilir.

Otomasyon, bir ilk sınıflandırma katmanı sağlayabilir.

Tipik bir iş akışı şu şekilde olabilir:

Video yüklendi

↓

Otomatik analiz

↓

Meta veriler oluşturuldu

↓

İçerik ekibinin incelemeleri

↓

Meta veriler onaylandı

↓

Yayınlanan içerik

Bu yaklaşım, insan ekiplerinin tekrarlayan veri girişi yerine doğruluğa, editoryal kararlara ve istisnalara odaklanmalarını sağlar.

İçerik meta verileri ile izleyici davranışları birbiriyle ilişkilendirildiğinde en büyük fırsat ortaya çıkar.

Bir OTT platformunun, bir abonenin sık sık aşağıdakileri izlediğini bildiğini varsayalım:

• Tarihsel belgeseller

• Siyasi dramlar

• Uzun soluklu röportajlar

Ardından, içerik kütüphanesi, benzer temalara sahip başlıkların tespit edilmesi amacıyla analiz edilebilir.

Şimdi, abonenin daha kısa araştırmacı belgeselleri izlemeye başladığını varsayalım.

Bu platformda iki önemli sinyal bulunmaktadır:

İçerik analitiği: Her bir başlığın konusu nedir?

Davranışsal zeka: İzleyicinin aslında neyle etkileşimde bulunduğu.

Bu ikisini bir araya getirmek, kişiselleştirmeyi daha kullanışlı hale getirebilir.

Platform, içerikleri sırf aynı genel türe ait oldukları için önermek yerine, içeriklerle izleyicilerin ilgi alanları arasındaki daha derin ilişkileri tespit edebilir.

Kişiselleştirme, müşteri sadakatiyle önemli bir ilişki içindedir.

Sürekli olarak ilgisini çeken içerikler bulan bir abonenin geri dönmek için daha fazla nedeni olur.

Bir uygulamayı defalarca açıp ilginç bir şey bulamayan bir abone, zamanla uygulamayı daha az kullanmaya başlayabilir.

Bu durum, kullanıcı etkileşiminin azalmasını OTT operatörleri için önemli bir gösterge haline getiriyor.

Şu örneği ele alalım:

1. Ay: Abone, 12 oturumu izliyor

2. Ay: Abone, 9 oturumu izliyor

3. Ay: Abone 5 oturumu izliyor

4. Ay: Abone bir kez izler

5. Ay: Abone aboneliğini iptal eder

İptal işleminin ölçülmesi kolaydır.

İptal edilmeden önce etkileşimdeki düşüşü tespit etmek daha değerli bir fırsattır.

iptal veya ilişkiyi sonlandırma.

Aşağıdaki gibi sinyal kombinasyonlarını dikkate alabilir:

• İzleme sıklığında azalma

• Daha kısa oturumlar

• Daha düşük mezuniyet oranları

• Seanslar arasındaki sürelerin uzaması

• Arama sayısında azalma

• Önerilerle daha az etkileşim

• İzleme listesindeki etkinlik azalması

• Abonelik veya ödeme işlemleri

• Cihaz davranışındaki değişiklikler

• Uzun süreli hareketsizlik

Tek başına hiçbir sinyal, bir abonenin ayrılacağı anlamına gelmez.

Bir izleyici sadece seyahatte olabilir, meşgul olabilir ya da geçici olarak başka bir faaliyete ilgi duyuyor olabilir.

Değer, tek bir münferit olaya tepki vermekten ziyade, kalıpları analiz etmekten kaynaklanır.

Basit OTT Müşteri Kaybı Segmentleri Oluşturma

OTT operatörleri, basit risk gruplarıyla işe başlayabilirler.

Bu bölümlerin kalıcı olması gerekmez.

İzleyici davranışında değişiklikler yaşanıyor.

Bugün “Risk Altında” olarak sınıflandırılan bir abone, ilgili yeni içerikleri keşfettikten sonra normal etkileşim düzeyine geri dönebilir.

Tahmin yapmak tek başına müşteri kaybını azaltmaz.

Platformun bu içgörüyü uygun bir eyleme dönüştürmesi gerekiyor.

İlgili İçerikleri Öner

Bir abonenin izleme etkinliği azalırsa, son ilgi alanlarına yakından uyan içerikleri öne çıkarın.

Yeni Çıkan Ürünleri Tanıtın

Bir abone, sık izlediği bir kategoride yeni bir başlık çıktığında geri dönebilir.

Kişiselleştirilmiş Koleksiyonlar Oluşturun

Genel promosyonlar yerine, gerçek görüntüleme alışkanlıklarına dayalı koleksiyonlar oluşturun.

Hedefli Bildirimler Gönderin

Mesajlar, her aboneye gönderilmek yerine anlamlı içeriklere dayalı olarak tetiklenebilir.

Teklifleri Yeniden Değerlendirme

İş modeline bağlı olarak, seçilen aboneler müşteri tutma teklifleri, alternatif paketler veya diğer teşvikler alabilir.

Önemli olan ilke şudur: sıklık yerine alaka düzeyi.

Daha fazla bildirim göndermek, otomatik olarak daha fazla etkileşim sağlamaz.

Bu yetenekler, tek bir iş akışına entegre edildiğinde çok daha değerli hale gelir.

1. Adım: İzleyici Sinyallerini Toplama

OTT platformu genelinde ilgili etkileşimleri kaydedin.

Örnekler arasında görüntüleme, arama, doldurma, kaydetme, abone olma ve geri dönüş sayılabilir.

2. Adım: İçerik Meta Verilerini Yapılandırma

Başlıkların tutarlı ve yararlı bilgiler içerdiğinden emin olun.

Otomasyon, sürecin hızlanmasına yardımcı olabilir.

3. Adım: İzleyici Tercihlerini Anlamak

İzleme alışkanlıklarını analiz ederek ilgi alanlarını, değişiklikleri ve tekrarlanan davranışları belirleyin.

4. Adım: Deneyimi Kişiselleştirin

Bu içgörülerden yararlanarak, her bir abone için hangi içeriğin daha fazla görünürlük kazanması gerektiğini belirleyin.

5. Adım: Etkileşimi İzleme

Kişiselleştirilmiş deneyimlerin izleme davranışını gerçekten iyileştirip iyileştirmediğini takip edin.

6. Adım: Azalan Katılımı Tespit Etme

Etkinliklerinde, ilgilerinin azaldığını gösterebilecek değişiklikler görülen aboneleri belirleyin.

7. Adım: Tutma Eylemlerini Tetikleme

Sürekli etkileşimi teşvik etmek için ilgili içerik, iletişim veya tekliflerden yararlanın.

8. Adım: Sonucu Ölçün

Müdahale öncesi ve sonrası katılım ve kalıcılık düzeylerini karşılaştırın.

Bu, sürekli bir döngü oluşturur:

İçerik → Meta Veriler → Davranış → Kişiselleştirme → Etkileşim → Müşteri Tutma

Bir kişiselleştirme stratejisi, iş sonuçları temelinde değerlendirilmelidir.

Önemli göstergeler şunlardır:

Etkileşim Göstergeleri

• Abone başına oturum sayısı

• İzleme süresi

• Ortalama oturum süresi

• İçerik tamamlama

• Geri dönüş sıklığı

Kişiselleştirme Göstergeleri

• Öneri tıklama oranı

• İçerik, kişiselleştirilmiş satırlardan başlar

• Kişiselleştirilmiş içerik tamamlama

• Tekrar etkileşim

Müşteri Tutma Göstergeleri

• Aylık müşteri kaybı

• Abone tutma oranı

• Yeniden etkinleştirme oranı

• Yenileme oranı

• Abone yaşam boyu değeri

İçerik Metrikleri

• Kategoriye göre içerik tüketimi

• Katalog kullanımı

• Yeni eklenen eserlerin performansı

• Uzun kuyruk içerik tüketimi

Önemli olan, kişiselleştirmeyi yalnızca tıklama sayısına göre değerlendirmekten kaçınmaktır.

Tıklama alan ancak tamamlanma oranı düşük olan ya da tekrar etkileşim sağlamayan bir öneri, değerli olmayabilir.

Tahmine dayalı kişiselleştirme oldukça etkili olabilir, ancak uygulamanın nasıl yapıldığı önemlidir.

1. Aşırı Miktarda Tarihsel Veri Kullanımı

Bir izleyicinin tercihleri değişebilir.

Son dönemdeki davranışlar, her zaman eski izleme geçmişinin gölgesinde kalmamalıdır.

2. Aynı Türde İçerik Önermek

Platform, neredeyse aynı içerikleri tekrar tekrar önerirse, kişiselleştirme tekrarlayıcı bir his uyandırabilir.

Keşif sürecinde yine de ilgili çeşitliliğe yer verilmelidir.

3. Meta Veri Kalitesini Göz Ardı Etmek

Yetersiz içerik bilgileri, kişiselleştirmenin kalitesini düşürebilir.

Otomasyon, tutarsız kaynak verilerini otomatik olarak düzeltmez.

4. Her Aboneye Eşit Davranmak

Etkileşimi yüksek bir abone ile neredeyse hiç aktif olmayan bir abone, birbirinden çok farklı deneyimlere ihtiyaç duyabilir.

5. Herhangi Bir Önlem Almadan Müşteri Kaybını Tahmin Etmek

Müşteri kaybı gösterge paneli, bir müşteri tutma stratejisi değildir.

Bir abonenin risk altında olduğu tespit edildiğinde, işletmenin bu duruma ilişkin net bir yanıt vermesi gerekir.

6. Bildirimlerin Aşırı Kullanımı

Sürekli gelen mesajlar yorgunluğa neden olabilir.

Müşteri tutma iletişimi, alaka düzeyi ve zamanlamaya dayalı olmalıdır.

Her akış hizmeti işletmesinin ilk günden itibaren karmaşık bir kişiselleştirme sistemine ihtiyacı yoktur.

Pratik bir yaklaşım, temel bilgilerden başlamaktır.

Öncelikle, Veri Kalitesini Artırın

Önemli izleyici olaylarının tutarlı bir şekilde kaydedildiğinden emin olun.

İkinci olarak, meta verileri standartlaştırın

Türler, kategoriler, açıklamalar, diller, etiketler ve diğer içerik özellikleri için net kurallar belirleyin.

Üçüncüsü, Tekrarlayan İşleri Otomatikleştirin

Manuel meta veri oluşturma ve sınıflandırma işlemlerini azaltmak için otomatik süreçlerden yararlanın.

Dördüncüsü, Yüksek Değerli Kişiselleştirmeyle Başlayın

Öncelikle şu alanlara odaklanın:

• Ana sayfa satırları

• İzlemeye Devam Et

• Son Eklenenler

• Tür koleksiyonları

• Kişiselleştirilmiş içerik listeleri

Beşinci olarak, Müşteri Kaybı Segmentasyonunu Tanıtın

Öncelikle, bariz etkileşim düşüşlerini tespit ederek başlayın.

Altıncı olarak, Test Tutma İşlemleri

Kişiselleştirilmiş önerilerin, içerik bildirimlerinin veya diğer müdahalelerin kullanıcıları gerçekten geri getirip getirmediğini ölçün.

Son olarak, Genişlet

Temel altyapı bir kez kurulduğunda, farklı cihazlar, hedef kitleler, içerik türleri ve abonelik aşamaları genelinde kişiselleştirme daha gelişmiş bir hale gelebilir.

Tahmine dayalı bir kişiselleştirme stratejisi oluşturmak, bir öneri motorundan daha fazlasını gerektirir.

OTT sektörü de içerik, aboneler, akış, gelir elde etme, uygulamalar ve analitik süreçlerini yönetmek için sağlam bir temele ihtiyaç duymaktadır.

İşte bu noktada entegre bir OTT platformu karmaşıklığı azaltabilir.

Vodlix, içerik yönetimi, gelir elde etme, analitik, uygulamalar ve akış altyapısı gibi özellikleri kapsayan, çeşitli platformlarda markalı OTT akış hizmetlerinin başlatılması ve işletilmesi için bir platform sunmaktadır.

OTT işletmeleri için bu, akış işinin her bir parçasını birbirinden bağımsız sistemler aracılığıyla yönetmek yerine, içerik ile abone deneyimlerini bir araya getirmek için gerekli operasyonel temeli sağlar.

Buradaki amaç, teknolojiyi sırf teknoloji olsun diye eklemek değildir.

Bunun amacı, şu özelliklere sahip bir OTT deneyimi yaratmaktır: içerik verileri, izleyici davranışları, kişiselleştirme ve iş kararları birbiriyle uyumlu bir şekilde işleyebilir.

OTT kişiselleştirmesinin bir sonraki aşaması, izleyicinin dün ne izlediğini sormaktan ziyade, izleyicinin davranışlarının bugün platforma ne anlattığını anlamaya odaklanacaktır.

Bir izleyicinin ilgi alanları değişebilir.

Nişan durumları değişebilir.

Tercih ettikleri cihaz değişebilir.

Yenileme konusundaki isteklilikleri değişebilir.

En güçlü OTT platformları bu değişikliklere hızlı bir şekilde uyum sağlayabilecektir.

Bu, öngörülü kişiselleştirmenin bir öneri özelliğinden öteye geçebileceği anlamına gelir.

Abonenin tüm yolculuğunu destekleyebilir:

Keşfet → İzle → Geri dön → Katıl → Yenile

Aynı zamanda, otomatikleştirilmiş meta veriler, OTT operatörlerinin giderek büyüyen içerik kütüphanelerini yönetmelerine yardımcı olurken, abonelik iptali tahmini ise ilgilenilmesi gereken aboneleri ortaya çıkarabilir.

Bu teknolojiler bir araya geldiğinde, akış hizmetlerine daha bütünsel bir yaklaşım ortaya çıkarıyor.

OTT kişiselleştirme, basit öneri mantığından daha öngörücü bir yaklaşıma doğru ilerliyor.

Şunları birleştirerek kullanıcı davranışları, yapılandırılmış içerik meta verileri ve etkileşim sinyalleri, video akışı hizmetleri, her bir aboneye daha uygun deneyimler sunabilir.

Otomatikleştirilmiş meta veriler, büyük kütüphaneleri yönetmenin getirdiği operasyonel yükü azaltabilir.

Tahmine dayalı kişiselleştirme, izleyicilerin alakalı içeriği daha hızlı bulmasına yardımcı olabilir.

Müşteri kaybı tahmini, işletmelerin etkileşimdeki düşüşü, bu durumun iptal aşamasına gelmeden önce tespit etmelerine yardımcı olabilir.

Ancak asıl fırsat, bu üçünün birbiriyle bağlantılı hale getirilmesinden kaynaklanıyor.

• Daha iyi meta veriler, platformların içeriği anlamasına yardımcı olur.

• Davranışsal veriler, platformların izleyicileri anlamasına yardımcı olur.

• Tahmine dayalı kişiselleştirme, bu ikisini birbirine bağlar.

• Müşteri kaybı analizi, bu içgörülerin müşteri tutma stratejilerine dönüştürülmesine yardımcı olur.

OTT işletmeleri için nihai hedef oldukça nettir: Her etkileşimi daha anlamlı hale getirirken, platformun kullanımını kolaylaştırmak ve aboneler için daha değerli kılmak.

Vodlix gibi entegre bir OTT platformu sayesinde, akış hizmetleri sunan işletmeler, büyüme sürecinde içerik, aboneler, gelir elde etme, uygulamalar ve analitik verileri yönetmek için gerekli altyapıyı kurabilirler.

Daha kişiselleştirilmiş bir OTT deneyimi oluşturmaya hazır mısınız? Vodlix’i deneyin ve izleyici katılımını artırmaya ve uzun vadeli müşteri sadakatini sağlamaya odaklanarak tasarlanmış bir yayın platformu oluşturun.