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
在描述性统计分析、数据预处理、异常值排查与多组数据分布对比工作中,箱线图(Box Plot)是应用最广泛的可视化与统计工具之一。 ...
2026-07-15在企业数据存储、业务统计与数据分析工作中,绝大多数业务数据都带有时间维度属性,例如订单创建时间、用户注册时间、支付完成时 ...
2026-07-15 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-07-15【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 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 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 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。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07