京公网安备 11010802034615号
经营许可证编号:京B2-20210330
Netflix被连续五次评为客户最满意的网站,重视客户和应用数据分析用户的习惯已深入企业文化,其先进的数据可视化技术使复杂而庞大的数据变得易于理解、易于分析、易于处理,Netflix形成了一套自己的数据哲学,仅仅是电视剧封面颜色的选择,都运用了强大的数据宝库。从公司高管到普通职员,重视数据的程度让无数公司汗颜,作者Phil Simon是WIRED的技术专家,为我们带来了详细的分析。
像Netflix这样以数据驱动业务的公司,数据可视化发挥着关键的作用,而且数据可视化也很有必要。对于数据可视化,有如下两种定义:广义上讲,数据可视化表示数据通过视觉方式呈现的过程,通常还包含一些互动;狭义上讲,数据可视化表示将数据进行抽象,提取出有价值的信息,并通过一些示意图呈现出来的过程。总之,当代数据可视化技术都可以被纳入所谓的大数据技术。
从Netflix公司的博客可以看出其非常重视数据可视化,Netflix主系统的许多部分都包含数据可视化组件,而且,像其他视觉组织一样,Netflix使用数据可视化工具已经形成了一种习惯。Netflix公司的员工会定期关注新出现的数据可视化工具,并调整算法,获得新的见解,解决紧迫的业务问题。
Jeff Magnusson是该公司数据平台架构部门的经理。2013年6月27日,在Hadoop峰会上,他为我们展示了Netflix大数据时代下不为人知的一面,给我留下了深刻的印象。Magnusson展示的数据易于理解、易于挖掘,每个人都能很容易的对数据进行处理。Charles Smith,软件工程师,也是Magnusson的同事。那次演讲的题目很有意思,叫做“有了Netflix的Hadoop工具包,猪也能飞起来”。在他们的演示中,Magnusson和Smith提到了Netflix数据哲学的三大原则:
Netflix的核心竞争力在于拥有最先进的大数据工具,包括数据可视化应用。这些先进的分析工具满足了两大关键团体:客户和专业技术人员,这一点很重要,而且,满足客户和专业技术人员后,最终将会使每个人都受益,无论是高管、股东、非技术雇员还是其他人。
可以对比一下《纸牌屋》和2010年版《麦克白》的封面。
第一眼看上去,它们惊人的相似。两者都显示了手上沾染鲜血的老年白人——Kevin Spacey和Patrick Stewart,与黑色背景对比得非常鲜明。图3.1进行了详细色彩对比分析:
图3.1表明了一个显而易见的事实:两个节目的封面有很多相同的地方。同时,也有细微的差别存在——而且Netflix可以精确地量化这些差异。更重要的是,Netflix可以了解这些对用户的观看习惯、影片推荐、评级之类是否存在明显的影响。
图3.2显示《纸牌屋》、《发展受阻》、《铁杉树丛》(一部美国惊悚恐怖片,于2013年4月19日首映)三者的颜色对比分析。
鉴于高质量原创电视剧内容的高昂成本(传闻《纸牌屋》制作费高达7800万美元),Netflix会草率地选择一个封面吗?决策者会忘记挖掘一下公司的数据宝库吗?用户已经有无数种选择了,难道Netflix仅仅是为了替用户再增添一个选择? 答案是:NO。Netflix没有邀请外人参加《铁杉树丛》和《纸牌屋》的制作会议,毕竟,Netflix公司拥有的数据足以使其做出最明智的决定,我打赌高管们在选择这部电视剧的封面时,一定仔细参考了订阅服务器的数据。
在Netflix,比较类似照片的色调不是某个无聊的雇员进行一次性试验,它已经成为选择封面的一个必要环节。Netflix公司认识到这些实验的成果有巨大的潜在价值。为此,该公司专门创建了挖掘这种价值的工具。在Hadoop峰会上,Magnusson和Smith告诉我们数据分析为标题、颜色和封面的选择提供了很多帮助。分析颜色可以使公司了解客户与客户之间的差距,甚至能分析出客户心情的变化。
有多少组织能对其客户了解到这种程度?我猜很少,大多数公司都想了解它们的客户,但能做到Netflix公司的一半就很不错了。(本文来自:CDA数据分析师培训官网)
这回避了一个显而易见的问题——为什么要分析客户数据?通过大数据和可视化,分析客户数据,使Netflix可以无缝地为每个客户提供令人难以置信的个性化定制服务,同时,Netflix还可以很容易地整合有关客户的数据,包括影片风格、观看习惯、趋势以及其他一些数据。有了这些数据,Netflix可以尝试解决大多数组织不能解决甚至想不到的一些问题。就颜色和封面而言,这些问题包括:
简而言之,Netflix通过数据分析可以解决很多的问题,基于高质量数据和可视化工具可以做出更好的业务决策,最关键的是它让重视数据和重视数据可视化成为一种企业文化。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30