预测性OTT个性化：AI元数据与流失率降低

对于一家OTT企业而言，让观众订阅服务仅仅是个开始。

更大的挑战在于为订阅者提供足够的价值，让他们持续观看、再次访问并续订。

随着流媒体片库的不断扩充，观众的选择比以往任何时候都多。一个平台可能拥有数百甚至数千部作品，但庞大的片库并不一定能带来更好的观影体验。如果订阅用户无法快速找到感兴趣的内容，即使平台拥有大量优质内容，用户参与度仍可能下降。

这里就是 基于预测的OTT个性化推荐 变得重要。

预测性个性化并非仅仅根据观众的观看历史向其展示内容，而是利用行为信号来预测他们接下来可能想要的内容。当与自动化元数据和流失预测相结合时，它可以帮助OTT企业将通常分别管理的三个领域联系起来：

内容 → 观众行为 → 留存率

由此带来的结果是，用户能够获得响应更迅速的OTT体验，这有助于企业提升内容发现效率、减轻运营负担，并识别出可能正在失去兴趣的订阅用户。

预测性OTT个性化是指利用观众行为、内容信息和预测模型，来预判单个订阅用户接下来可能感兴趣的内容。

传统的个性化通常会这样回答：

这位观众看了什么？

预测性个性化提出以下问题：

根据该观众最近的行为，他们接下来最有可能想要什么？

这种差异很重要。

一位订阅用户平时可能只看纪录片，但突然开始观看体育直播。另一位观众可能经常观看某部剧集，却开始在剧集播到一半时就不再看了。

一个高度依赖历史偏好的个性化系统可能会继续以同样的方式对待这两位观众。

预测系统能够识别出行为正在发生变化。

信号可以包括：

• 浏览记录

• 观看时长

• 完成率

• 搜索活动

• 关注列表新增项

• 会话频率

• 内容分类

• 设备使用情况

• 一天中的时间

• 订阅情况

• 近期活动

• 与推荐内容的互动

目标并不是要完美地预测每一个动作。

其目的是利用现有信号，使下次与平台的互动更具相关性。

观众可观看的内容量持续增长，而观众的注意力却依然有限。

这导致了一个发现问题。

订阅用户并不希望每次打开OTT应用时都要翻阅整个片库。他们希望平台能帮助他们快速找到值得观看的内容。

这使得个性化成为观影体验的重要组成部分。

但个性化还涉及商业层面。

更具相关性的经验可能有助于：

• 更高的参与度

• 更频繁的课程

• 内容消费量的增加

• 更好地利用内容目录

• 用户满意度更高

• 提高留存率

正因如此，OTT个性化功能不应仅被视为首页的一项功能。

它可以成为更广泛的订阅者生命周期的一部分。

这两个概念虽然有重叠之处，但并不完全相同。

假设有一位订阅用户，他每周都会观看犯罪剧。

传统的个性化推荐可能会继续推荐犯罪剧。

预测性个性化功能可能会发现，该订阅者最近开始观看关于现实世界调查的纪录片。

该平台可以通过在用户熟悉的偏好内容旁推荐相关纪录片来做出响应。

这既能带来更灵活的体验，又不会完全摒弃观众已有的喜好。

个性化取决于对以下两点的理解：

观众是谁 以及 内容包含什么。

观众的行为构成了第一部分。

元数据提供了其中很大一部分。

OTT片库中的每部作品都可能包含以下有价值的信息：

• 类型

• 子类型

• 语言

• 演员表

• 导演

• 发行年份

• 描述

• 主题

• 关键词

• 内容分级

• 剧集信息

• 国家

• 时长

这些信息越是结构化且一致，就越容易对庞大的内容库进行整理和分析。

正是在这种情况下，自动生成的元数据才能发挥其价值。

自动化元数据利用技术从视频内容中提取、分类或生成相关信息，而无需手动填写每个字段。

根据工作流的不同，自动化可协助完成以下工作：

• 演讲文字记录

• 关键词提取

• 流派分类

• 主题识别

• 语言检测

• 场景分析

• 实体识别

• 字幕生成

• 内容标记

• 描述的创建

对于内容库较小的OTT平台而言，手动管理元数据或许尚可应对。

对于一个需要添加数百或数千个资产的平台而言，这可能会成为一项巨大的运营负担。

自动化既能减少重复性工作，又能让内容团队对重要信息进行审核和批准。

设想有两个内容库同样丰富的OTT平台。

平台 A 的元数据不一致。

有些标题有详细描述，有些则信息有限。流派标签的标注不一致。较早的内容缺少标签。

平台 B 在其目录中采用了结构化元数据。

其作品始终按照类型、语言、主题、演员阵容、题材及其他相关属性进行分类。

平台B在组织其图书馆和构建个性化内容关联方面拥有更坚实的基础。

这就是为什么元数据不仅仅是一项行政工作。

它可以成为支撑观看体验的基础设施的一部分。

假设有一项OTT服务收到了1,000个新视频。

手动工作流可能需要团队对每个资产进行审核，并创建或核对多个元数据字段。

自动化可以提供第一层分类。

一个典型的流程可能如下：

视频已上传

↓

自动化分析

↓

已生成元数据

↓

内容团队审核

↓

元数据已获批准

↓

已发布的内容

这种方法使人工团队能够专注于准确性、编辑决策和例外情况，而不是重复性的数据录入工作。

当内容元数据与观众行为建立关联时，最大的机遇便应运而生。

假设某家OTT平台发现某位订阅用户经常观看：

• 历史纪录片

• 政治剧

• 深度访谈

随后可以对内容库进行分析，找出具有相关主题的标题。

现在假设这位订阅者开始观看时长较短的调查类纪录片。

该平台有两个有价值的信号：

内容智能： 每本书的内容简介。

行为智能： 观众实际上是在与什么互动。

将这两者结合起来，可以使个性化功能更加实用。

该平台不会仅仅因为作品属于同一大类就推荐它们，而是能够识别内容与观众兴趣之间更深层次的关联。

个性化与用户留存有着密切的关系。

如果订阅者能持续发现相关内容，他们就有更多理由再次访问。

如果订阅者反复打开应用却找不到感兴趣的内容，可能会逐渐减少使用频率。

因此，用户参与度的下降对OTT运营商而言是一个重要信号。

请看这个例子：

第1个月： 订阅用户观看了 12 场会议

第2个月： 订阅者观看了9场会议

第3个月： 订阅者观看了5场会议

第4个月： 订阅者观看一次

第5个月： 订阅者取消订阅

取消情况很容易衡量。

更宝贵的机会在于在取消之前就发现用户参与度的下降。

取消或解除。

它可以考虑以下信号的组合：

• 观看频率降低

• 更短的课程

• 较低的完成率

• 每次训练之间的间隔时间更长

• 搜索量减少

• 与推荐内容的互动减少

• 关注列表活动减少

• 订阅或支付事件

• 设备行为的变化

• 长期不活动

任何单一信号都不一定意味着用户会流失。

观众可能只是在旅行、很忙，或者暂时对其他活动感兴趣。

其价值在于分析规律，而非对某个孤立事件作出反应。

构建简单的OTT流失用户分群

OTT运营商可以从简单的风险群体入手。

这些分段不必是永久性的。

观众行为发生了变化。

今天被归类为“高风险”的订阅者，在发现相关的新内容后，可能会恢复正常的参与度。

仅靠预测并不能降低客户流失率。

该平台需要将洞察转化为相应的行动。

推荐相关内容

如果订阅用户的观看活跃度正在下降，请向其展示与他们近期兴趣高度契合的内容。

推广新发行的作品

当某个订阅用户经常观看的分类中出现新片时，该用户可能会再次订阅。

创建个性化收藏集

与其进行千篇一律的促销，不如根据实际浏览习惯来打造精选系列。

发送定向通知

消息可以根据有意义的内容触发，而不是发送给每位订阅者。

重新考虑报价

根据商业模式的不同，部分用户可能会收到留存优惠、替代套餐或其他激励措施。

一个重要的原则是 相关性重于频率.

发送更多通知并不一定能自动带来更高的用户参与度。

当这些功能整合到一个工作流中时，其价值将显著提升。

步骤 1：采集观众信号

捕获OTT平台上的相关交互。

例如：查看、搜索、填写、保存、订阅和退货。

步骤 2：构建内容元数据

确保标题包含一致且有用的信息。

自动化有助于加快这一进程。

第 3 步：了解观众的偏好

分析观看习惯，以识别兴趣点、变化以及反复出现的行为。

第 4 步：个性化体验

利用这些洞察，确定针对每位订阅者应让哪些内容获得更高的曝光度。

第 5 步：监测参与度

跟踪个性化体验是否确实改善了观看行为。

第 6 步：检测参与度下降

识别那些活动变化可能表明其参与度下降的订阅者。

第 7 步：触发留存措施

利用相关的内容、沟通或优惠，鼓励用户持续参与。

第 8 步：测量结果

比较干预前后用户参与度和留存率的变化情况。

这形成了一个循环：

内容 → 元数据 → 行为 → 个性化 → 参与度 → 留存率

应根据业务成果来评估个性化策略的效果。

重要指标包括：

参与度指标

• 每位订阅者的会话数

• 观看时长

• 平均会话时长

• 内容补全

• 退货频率

个性化指标

• 推荐点击率

• 内容从个性化行开始

• 个性化内容补全

• 重复参与

用户留存指标

• 月度流失率

• 用户留存率

• 重新激活率

• 续订率

• 订阅用户终身价值

内容指标

• 按类别划分的内容消费情况

• 目录利用率

• 新增作品的表现情况

• 长尾内容消费

关键在于不要仅凭点击量来衡量个性化效果。

一条虽然获得了点击，但完成率较低或重复互动率较低的推荐，可能并不具有价值。

预测性个性化虽然效果显著，但实施方式至关重要。

1. 使用过多的历史数据

观众的喜好可能会发生变化。

不应总是让过往的浏览记录压倒最近的行为。

2. 推荐同类内容

如果平台反复推荐几乎一模一样的作品，个性化推荐就会让人觉得千篇一律。

探索仍应留有空间，以容纳相关的多样性。

3. 忽视元数据质量

内容信息不足可能会限制个性化推荐的质量。

自动化并不能自动解决源数据不一致的问题。

4. 一视同仁地对待每位订阅者

一位参与度极高的订阅者与一位几乎不活跃的订阅者，可能需要截然不同的体验。

5. 在不采取任何行动的情况下预测客户流失

流失仪表盘本身并不是一种留存策略。

一旦确定某位订阅者存在风险，企业就需要采取明确的应对措施。

6. 过度使用通知

不断重复的信息会让人感到厌倦。

员工留任沟通应以相关性和时机为依据。

并非每一家流媒体企业都需要从一开始就配备复杂的个性化系统。

一种切实可行的方法是从基础开始。

首先，提高数据质量

确保重要观众事件能够被一致地记录下来。

其次，规范元数据

针对类型、分类、描述、语言、标签及其他内容属性制定明确的规则。

第三，将重复性工作自动化

利用自动化流程，减少手动创建和分类元数据的工作。

第四，从高价值的个性化服务入手

首先应关注以下方面：

• 主页行

• 继续观看

• 最新添加

• 类型合集

• 个性化内容列表

第五，引入流失客户细分

首先，找出参与度明显下降的情况。

第六，测试保留操作

衡量个性化推荐、内容提醒或其他干预措施是否确实能吸引用户回访。

最后，展开

一旦基础工作就绪，个性化功能就能在不同设备、受众、内容类型和订阅阶段上实现更精细化的应用。

要制定一套预测性个性化策略，仅靠推荐引擎是不够的。

OTT 业务同样需要一个坚实的基础，以管理内容、订阅用户、流媒体、变现、应用程序和分析。

正是在这一点上，集成式OTT平台能够降低复杂性。

Vodlix 提供了一个平台，用于在多个平台上推出和运营品牌化的 OTT 流媒体服务，其功能涵盖内容管理、变现、分析、应用程序以及流媒体基础设施。

对于OTT企业而言，这为其提供了将内容与订阅者体验有机结合所需的运营基础，而非通过彼此孤立的系统来管理流媒体业务的各个环节。

目标并不是为了技术而技术。

其目的是打造一种OTT体验，其中 内容数据、用户行为、个性化以及商业决策可以相互配合。

OTT个性化服务的下一阶段，将不再主要关注观众昨天观看了什么，而是更多地关注观众的行为今天向平台传递了什么信息。

观众的兴趣可能会发生变化。

他们的订婚状况可能会发生变化。

他们偏好的设备可能会发生变化。

他们续约的意愿可能会发生变化。

最强大的OTT平台将能够迅速应对这些变化。

这意味着预测性个性化可以不仅仅是一个推荐功能。

它能够支持整个用户旅程：

探索 → 观看 → 返回 → 参与 → 焕新

与此同时，自动生成的元数据有助于OTT运营商管理日益庞大的内容库，而流失预测功能则能帮助运营商识别可能需要特别关注的订阅用户。

这些技术相结合，为流媒体服务打造了一种更加互联的解决方案。

OTT个性化正从简单的推荐逻辑转向更具预测性的方法。

通过结合 观众行为、结构化内容元数据和互动信号, 流媒体企业可以打造更符合每位订阅用户需求的体验。

自动生成的元数据可以减轻管理大型图书馆带来的运营负担。

预测性个性化功能可帮助观众更快地找到相关内容。

流失预测有助于企业识别用户参与度下降的迹象，从而在用户解约前采取应对措施。

但真正的机遇在于将这三者结合起来。

• 更完善的元数据有助于平台理解内容。

• 行为数据有助于平台了解观众。

• 预测性个性化将二者结合起来。

• 流失分析有助于将这些洞察转化为客户留存策略。

对于OTT企业而言，其最终目标非常明确：在让平台更易于操作、为订阅用户创造更大价值的同时，使每次互动都更具相关性。

借助Vodlix等一体化OTT平台，流媒体企业可以在业务扩展过程中构建所需的基础设施，以管理内容、订阅用户、变现、应用程序和分析。

准备好打造更个性化的OTT体验了吗？试试Vodlix，创建一个以提升观众参与度和长期留存率为核心的流媒体平台。