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
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27