Персонализация стриминга: discovery и удержание

Кратко

На большом стриминговом каталоге зритель смотрит в основном то, что платформа сама решает поставить ему перед глазами: инженеры Netflix сообщают, что рекомендации дают около 80% часов просмотра, а поиск – остальные 20%. Система, которая показывает нужный тайтл нужному зрителю, – назовём её discovery (рекомендации, поиск и свёрстанный под зрителя главный экран вместе), – это не функция, которую можно прикрутить позже; это движок удержания всего продукта. Зритель, который не нашёл, что посмотреть, в первую минуту, не начинает искать усерднее – он уходит, а тот, кто уходит снова и снова, в итоге отменяет подписку, и именно там подписочный бизнес тихо теряет выручку. Статья объясняет простыми словами, почему discovery определяет удержание, как слой «рекомендации–поиск–мерчандайзинг» превращает каталог в watch time и как честно его измерять – по watch time, а не по кликам, – чтобы остальные статьи блока 7 показали, как собрать каждую часть.

Почему это важно

Если вы управляете стриминговым сервисом или только собираетесь его строить, бо́льшую часть бюджета вы потратите на две вещи: на каталог и на подписчиков. И то и другое пропадает впустую, если зритель открывает приложение, минуту листает, ничего не находит и закрывает его. Для медиаоснователя, продакт-менеджера или впервые строящего стриминг CTO именно discovery – та часть продукта, которая решает, превратятся ли лицензированный каталог и привлечённые подписчики в реальный watch time и продления. Это якорная статья блока discovery: она формулирует бизнес-аргумент, определяет три поверхности discovery и задаёт одну метрику, которая держит вас честными, прежде чем следующие статьи перейдут к тому, как на самом деле устроены рекомендации, метаданные и поиск.

Одна идея: на большом каталоге зритель смотрит то, что показывает система

Начнём с неудобной правды, которая переворачивает всё остальное. Когда каталог маленький – десяток тайтлов, – зритель видит его целиком и выбирает свободно. Когда в каталоге тысячи тайтлов, ни один зритель не охватит его глазами, поэтому платформа вынуждена решать, какой срез показать. С этого момента зритель смотрит в основном то, что показывает система. Каталог – это не тот продукт, который переживает зритель; продукт – это главный экран.

Цифры от компании, изучившей это глубже всех, отрезвляют. В рецензируемом разборе своей рекомендательной системы инженеры Netflix Карлос Гомес-Урибе и Нил Хант сообщают, что рекомендательная система «влияет на выбор примерно для 80% часов, просмотренных на Netflix», тогда как «остальные 20% приходятся на поиск» (Gomez-Uribe & Hunt, ACM Transactions on Management Information Systems, 2015). Прочитайте это ещё раз глазами владельца продукта: четыре из пяти часов, которые транслирует ваш сервис, – это часы, которые система сама сделала лёгкими для нахождения. Каталог сделал эти часы возможными; discovery сделал так, что они случились.

Поэтому discovery – не приятный довесок, добавляемый после того, как заработал плеер. Набор систем, решающих, что показать, – рекомендации, поиск и свёрстанный под зрителя главный экран – это и есть механизм, которым каталог превращается в watch time. Сделаете правильно – и каталог ощущается глубоким и личным. Сделаете плохо – и тот же каталог ощущается пустым, сколько бы вы за него ни заплатили.

Нажмите, чтобы увеличить

Часы на шестьдесят секунд: почему «искать усерднее» не происходит

Инстинкт команды, собравшей отличный каталог, – считать, что если зритель не нашёл, то будет искать дальше. Не будет. То же исследование Netflix описывает поведение точно: «типичный участник Netflix теряет интерес примерно после 60–90 секунд выбора, просмотрев 10–20 тайтлов (около 3 – подробно) на одном-двух экранах. Либо пользователь находит что-то интересное, либо риск его ухода с сервиса резко возрастает» (Gomez-Uribe & Hunt, 2015).

Представьте главный экран как витрину на оживлённой улице, а не как склад, который покупатель обязался обыскивать. Зритель даёт вам один взгляд – один-два экрана, дюжину-другую тайтлов, девяносто секунд, – и если в витрине ничто не зацепило, он идёт дальше, обычно в другое приложение. Он не пишет жалобу; он не лезет в глубину каталога; он просто уходит. Это самый важный факт о поведении во всей теме, и большинство «каталог-в-первую-очередь» рассуждений его игнорируют.

Данные по всей индустрии подтверждают: проблема усугубляется по мере роста каталогов и числа сервисов. В отчёте Gracenote State of Play за 2025 год (Nielsen, опрос 3 000 потребителей в шести странах) зрители в среднем по миру тратят 14 минут на поиск того, что посмотреть; в США это 12 минут – против 10,5 минут в середине 2023 года, а во Франции – 26 минут, длина целой серии, только на поиск. Сорок пять процентов зрителей говорят, что стриминговый опыт их перегружает. И отказ реален: 19% бросят сессию просмотра, не найдя ничего (29% среди 18–24-летних), а 49% говорят, что отменили бы сервис из-за сложности найти, что посмотреть (Nielsen / Gracenote, 2025). Каталог не уменьшился – путь к нему усложнился.

Нажмите, чтобы увеличить

От неудачной сессии к отменённой подписке

Одна неудачная сессия – это ещё не отмена. Ущерб накапливается. Зритель, который открыл приложение три раза за неделю и каждый раз ничего не нашёл, кое-что про ваш сервис усвоил: тут никогда ничего нет. Именно это убеждение отменяет подписки, и складывается оно задолго до того, как кто-то нажмёт «отменить».

Это мост между discovery и бизнесом. На языке статьи про churn и удержание вовлечённость – ведущий индикатор удержания: подписчик, который смотрит несколько вечеров в неделю, почти всегда платит и в следующем месяце, а тот, кто перестал открывать приложение, по сути уже наполовину ушёл, что бы ни говорил статус его оплаты. Discovery – это система, которая производит ту самую вовлечённость. Так что discovery, говоря прямо, – это система снижения оттока, которая выглядит как ряд обложек.

Инженеры Netflix формулируют причинно-следственную связь напрямую, и это стоит процитировать, потому что компании редко говорят так прямо: «главная цель измерений при изменениях наших рекомендательных алгоритмов – улучшение удержания участников», и «за годы развития персонализации и рекомендаций мы снизили отток на несколько процентных пунктов» (Gomez-Uribe & Hunt, 2015). Они даже привязывают остаток к другой половине истории оттока – что оставшийся низкий однозначный месячный отток «во многом обусловлен сбоями оплаты, а не явным выбором подписчика», то есть непроизвольным оттоком (involuntary churn), который восстанавливают dunning, а не discovery. Задача discovery – произвольная сторона: дать людям повод вернуться.

Проговорим ценность вслух, потому что именно арифметика добывает discovery финансирование. Возьмём подписочный сервис с 1 000 000 подписчиков по $10 в месяц. Допустим, лучший discovery поднимает вовлечённость достаточно, чтобы срезать месячный отток на половину процентного пункта – скажем, с 4,5% до 4,0%. Это 0,005 × 1 000 000 = 5 000 удержанных подписчиков каждый месяц, что стоит 5 000 × $10 = $50 000 ежемесячной регулярной выручки, или около $600 000 в год – ещё до учёта расходов на привлечение, которые вам не придётся тратить на их замену. Половина пункта – это консервативный сдвиг; Netflix приписывает персонализации и рекомендациям «несколько процентных пунктов» снижения оттока и оценивает, что «совокупный эффект персонализации и рекомендаций экономит нам более $1 млрд в год» (Gomez-Uribe & Hunt, 2015). На любой осмысленной по размеру базе discovery – это рычаг с семизначной отдачей.

Парадокс выбора: почему больший каталог может конвертировать хуже

Вот контринтуитивная часть, объясняющая, почему вываливание новых тайтлов на главный экран бьёт по результату. Больше выбора не значит больше просмотров. В классическом эксперименте психологи Шина Айенгар и Марк Леппер выставили дегустационный стол с джемом – то с 6 сортами, то с 24. Стол на 24 сорта собирал бо́льшую толпу – останавливались 60% прохожих против 40% у стола на 6 сортов, – но конвертировал куда хуже: купили лишь 3% из тех, кто видел 24 сорта, против 30% из тех, кто видел 6 – десятикратный провал конверсии (Iyengar & Lepper, Journal of Personality and Social Psychology, 2000). Слишком много опций парализуют выбирающего; это и есть хорошо задокументированный эффект, известный как перегрузка выбором (choice overload), или парадокс выбора.

Главный экран стриминга – это тот же джемовый стол, только в планетарном масштабе. Метаданные Gracenote охватывают сейчас более 50 миллионов тайтлов в 260+ стриминговых каталогах (Nielsen, 2025). Недифференцированная стена из тысяч постеров – это стол на 24 сорта: выглядит внушительно, конвертирует плохо. Задача discovery – стать столом на 6 сортов для этого зрителя, сузить тысячи тайтлов до горстки, которая ощущается подобранной вручную, чтобы выбирать было легко и быстро. Персонализация – не про то, чтобы показать больше; она про то, чтобы показать меньше, но лучше. Именно эта переформулировка – «хороший discovery убирает варианты» – отличает главный экран, который удерживает, от того, который перегружает.

Три поверхности discovery

«Discovery» – это не одна система. Это три поверхности, которые делят данные и общую цель, и остальная часть блока 7 разбирает их по одной. Назвать их чётко сейчас – значит избежать путаницы, которая возникает, когда главный экран воспринимают как единый волшебный ящик.

Первая поверхность – рекомендации: персональные ряды («Потому что вы смотрели…», «Топ для вас»), которые предлагают тайтлы, о которых зритель не просил. Это движок тех самых 80% часов, и статья про рекомендательные системы разбирает, как он устроен на уровне продукта. Сама математика моделей – коллаборативная фильтрация, эмбеддинги, ранжирующие модели – относится к слою машинного обучения; мы ссылаемся на внутренности рекомендательных моделей в разделе AI for Video Engineering, а не выводим их здесь заново, потому что этот раздел владеет продуктовой обвязкой, а не математикой.

Вторая поверхность – поиск: как зритель находит тайтл, который уже держит в голове, и как система спасает почти-промах (опечатку, наполовину забытое название) и возвращает его обратно в рекомендации. В Netflix поиск «тоже превращается в задачу рекомендаций» (Gomez-Uribe & Hunt, 2015): поиск, не вернувший ничего, – это тупик, поэтому хороший поиск тихо рекомендует соседние тайтлы. Статья про поиск и discovery разбирает индексирование, устойчивость к опечаткам и передачу от поиска к рекомендациям.

Третья поверхность – мерчандайзинг: какие ряды появляются, в каком порядке и какая единственная обложка представляет каждый тайтл. Главный экран сам по себе – это рекомендация: порядок рядов и выбор миниатюры – это решения персонализации, а не фиксированный дизайн. Netflix персонализирует даже обложки, выбирая под каждого зрителя из нескольких изображений одного тайтла с помощью техники под названием контекстные бандиты, так что постер, представляющий фильм, – это тот, который скорее заставит нажать play именно вас (Netflix Technology Blog, «Artwork Personalization at Netflix», 2017). Статья про мерчандайзинг разбирает выбор и порядок рядов и обложки.

Таблица 1. Три поверхности discovery. Все три судятся по одной честной метрике – watch time и возврат, а не клики, – и у каждой своя статья в блоке 7. Правый столбец – дисциплина, которая не даёт discovery оптимизировать не то.

Метрика, которая держит discovery честным: watch time, не клики

Самый быстрый способ испортить систему discovery – оптимизировать лёгкую метрику. Клики, тапы и показы легко считать, поэтому команды за них и хватаются – а слой discovery, настроенный на максимизацию кликов, учится врать. Он учится ставить шокирующие обложки на посредственные тайтлы, продвигать то, что скорее тапнут, а не то, что скорее досмотрят до конца. Зритель тапает, смотрит девяносто секунд, отскакивает и в следующий раз доверяет главному экрану чуть меньше. Клик вырос; удержание упало.

Честная метрика – это вовлечённость, которая предсказывает возврат: watch time, досмотренные сессии и то, вернётся ли зритель на следующей неделе. Её сложнее измерить и она медленнее двигается – именно поэтому это правильная цель. Netflix прямо говорит, что настраивает рекомендации на «среднесрочную вовлечённость» и «удержание участников», а не на клики, и что доказывает изменения экспериментами, измеряемыми по удержанию (Gomez-Uribe & Hunt, 2015). Слой discovery нужно судить так же, как судят бизнес, – по тому, продолжают ли люди смотреть, – и это суждение выносится через честные эксперименты, которым посвящена статья про A/B-тесты.

Есть ещё одна ловушка честного измерения, которую стоит назвать, потому что она лежит под discovery и в ней легко обвинить рекомендатель. Если тайтл слишком долго стартует или застревает посреди воспроизведения, зритель уходит – и этот уход выглядит как провал discovery, хотя на деле это провал доставки. Метрики качества опыта – startup time и ребуферинг – это самостоятельный вход в удержание: идеальная рекомендация за спиннером всё равно теряет зрителя. Discovery и доставку нужно измерять вместе, иначе каждый будет получать вину за чужой провал.

Нажмите, чтобы увеличить

Частая ошибка: считать discovery функцией, а не системой удержания

Самая дорогая продуктовая ошибка в стриминге – относиться к discovery как к поздней функции («добавим рекомендации, когда заработают плеер и биллинг») и укомплектовывать его как UI-проект, а не как систему данных и продукта. Симптом – одинаковый для всех главный экран, поисковая строка, не возвращающая ничего на опечатку, и один фиксированный постер на тайтл. Каталог может быть превосходным; сервис всё равно будет ощущаться пустым, потому что каждому зрителю вручают стол на 24 сорта и оставляют справляться самому.

Более глубокая версия ошибки – измерять новую систему discovery по кликам и объявлять победу, когда тапы выросли. Как показано выше, клики могут расти, пока watch time и удержание падают. Лекарство – тот порядок действий, который отстаивает эта статья: считайте discovery движком удержания с первого дня, стройте все три поверхности (рекомендации, поиск, мерчандайзинг) на общем дата-пайплайне персонализации и чистом фундаменте метаданных, измеряйте его по watch time и возврату, а не по кликам, и доказывайте каждое изменение экспериментом, привязанным к удержанию. Discovery – это не украшение поверх каталога; это машина, которая превращает каталог в бизнес.

Где здесь Фора Софт

Стриминговый сервис живёт или умирает в зависимости от того, найдёт ли зритель, что посмотреть, прежде чем истекут часы на шестьдесят секунд, – а это зависит от инфраструктуры, которую большинство команд строят последней: чистого пайплайна метаданных, потока событий о play и досмотрах и слоя «рекомендации–поиск–мерчандайзинг», привязанного к watch time, а не к кликам. Фора Софт строит видеостриминговые и OTT/Internet-TV платформы с 2005 года – 250+ реализованных проектов для 400+ клиентов, – а значит, мы собирали пайплайны метаданных и персонализации, которые питают discovery, подключали события просмотра к системам рекомендаций и поиска и инструментировали метрики watch time и удержания, которые показывают, работает ли всё это. Наш подход – scalability-first и без привязки к вендору: мы отталкиваемся от размера вашего каталога и от вовлечённости, которую нужно произвести, чтобы удержать подписчиков, а затем строим слой discovery – или интегрируем сервисы рекомендаций и поиска, – которого реально требуют ваш каталог и масштаб.

Ключевые выводы

• На большом каталоге зритель смотрит то, что показывает система – рекомендации дают ~80% часов, поиск ~20%.
• Зритель просматривает 10–20 тайтлов за 60–90 секунд; не нашёл – уходит, а не ищет усерднее.
• Повторяющиеся неудачные сессии становятся оттоком; discovery – движок удержания, а не декор.
• Больше тайтлов может конвертировать хуже – перегрузка выбором: хороший discovery показывает меньше, лучше.
• Discovery – это три поверхности: рекомендации, поиск и мерчандайзинг (ряды + обложки).
• Меряйте discovery по watch time и возврату, никогда по кликам, иначе он научится вводить в заблуждение.

Что читать дальше

• Рекомендательные системы для видео: как работает «потому что вы смотрели»
• Метаданные: топливо для discovery
• Churn, удержание и аналитика подписок