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
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21