解讀視頻網站的大資料

《紙牌屋》的風靡，讓全球的美劇迷都知道了Netflix，讓全球的劇作人都認識到電視劇還可以這樣做，讓全球的大資料從業者看到了標杆，《紙牌屋》的成功，是大資料的勝利。

Netflix在美國有2700萬訂閱使用者，在全世界則有3300萬使用者，這些使用者的資料告訴Netflix：Fincher（社交網路、七宗罪的導演）是個靠譜的導演，他們都喜歡Spacey這個演員，英劇版的《紙牌屋》很受歡迎， 當這些資訊彙聚在一起，《紙牌屋》的收視率就是Netflix已經預見到的未來。

所以，本期CNET數讀，就是要講述中國的視頻網站在大資料應用上的摸索。

大資料的境界：用分析指導原創

陳傑(陳傑國雙科技新媒體業務部總監)

國雙科技雖不是視頻網站，但其服務物件卻包括廣電新媒體行業的視頻網站，以説明他們提升在在PC終端、移動終端、機上盒、智慧電視機上的使用者體驗。

國雙科技新媒體業務部總監陳傑介紹，在互聯網時代，電視臺可以利用自身的新媒體平臺，通過發送邀請碼的方式，使得部分觀眾在PC、平板電腦、手機等終端收看新節目，並將使用者收看視頻的行為進行採集。 此外，節目組在發放邀請碼的時候，可以通過註冊瞭解觀眾的性別、年齡、職業等資訊，採集到的使用者觀看資料就能夠反應出不同受眾是怎樣觀看新節目的。

而使用者的回饋也是多種多樣的。

「比如說在看到視頻某些片斷的時候，觀眾開始不耐心了，開始往前拖著看了；看到什麼片斷的時候，他覺得這個段子特別有意思，他會往回再回看一兩次；中間有一些提意見的模組，比如說認為這個場景的燈光或者這個主持人的服飾等等， 他的回饋意見或評論，也可以在中間過程中提出來。 」陳傑說。

國雙此方案的設計，目的就是要把使用者的行為做一些回溯，能夠讓節目組看到使用者是怎麼看的。 節目組發現在某個使用者流失的環節，就可以考慮是不是增加一個精彩環節的預告，怎樣的預告能夠使觀眾離開的人數減少，或者讓觀眾儘量少拖拽，這些都為節目剪輯提供了資料，從而最終回應客戶的需求。

事實上，已經有一些電視臺客戶向國雙提出了這樣的需求，打算嘗試把新節目拿到互聯網上來試播一下，看使用者回饋再進行調整，他們希望把新媒體平臺的價值最大化，新媒體的部門有資料能夠回饋給電視臺的節目製作部門。

當然，現在還有一些電視節目在播出之後，看到了互聯網上使用者觀看的回饋，從而改進剪輯，這也是使用者回饋的另一個體現。 詳細

(姚鍵)優酷土豆集團CTO

今年，優酷指數進而演變成「中國網路視頻指數」，加入了土豆網以及移動用戶端的視頻資料。

作為一款平臺化的產品，「中國網路視頻指數」在優酷土豆集團中的參考價值無處不在，從廣告售賣，到版權購買，再到播放機產品的優化等等，處處都能夠作為指導依據。

優酷土豆集團把其推出的資料包告給節目製作方、影視劇公司、協力廠商分析機構等瞭解視頻節目的播放資訊，並為觀眾人群的分析提供了依據；在廣告銷售方面，能夠為廣告主呈現出使用者行為特徵，提供廣告投放價值的分析；在進行版權購買的時候， 可以根據指數的走向來説明決策；公司內部，哪怕是播放機產品的使用者體驗優化，都可以查看資料分析結果，查看按鈕的擺放和使用頻率等。

這些做法的價值是顯而易見的，或者說還可以通過資料分析的結果來指導優酷土豆集團的自製內容。

比如說優酷有很多自製的內容，有很多的微電影、綜藝節目等等，這些播放資料可以顯示出哪些題材是使用者喜歡的，使用者看到哪裡就看不下去了，在哪裡是拖放觀看的，一系列的使用者行為可以清晰地告訴內容製作人員，應該怎麼去剪輯視頻， 怎麼去選擇內容題材。

其實這個過程也是對視頻品質進行分析的過程，在優酷土豆的搜索、推薦中按照視頻品質進行排序，反過來也提高了推薦成功率。 詳細

大資料的起步：從資料積累開始

陳傑

陳傑國雙科技新媒體業務部總監

陳傑強調，對使用者喜好的把握精確與否，很關鍵的一點在於資料的積累，具體來說就是使用者內容的關聯。 説明客戶把每個視頻的標籤做全、做細是一件很重要的工作。

比如，一個視頻是喜劇片，那麼，這個視頻是哪個國家的喜劇片，演員是誰，導演是誰，等等這一系列的屬性標籤都要打上，標籤越多，在做大資料採礦的時候，挖掘出的資訊量就越多。

這些標籤的意義，就在於資料傳遞的時候，可以描述出這個視頻更豐富的資訊，標籤越詳細，挖出來的資料就越準確，對使用者的喜好就把握的越准。

如果與風靡美國的電視劇《紙牌屋》相比，國雙所做的「大資料採礦」同樣以最終的應用作為出發點，將大資料最終落腳到「小」資料上。 「小資料」，並非是指資料量小，而是對海量資料進行了挖掘和分析，使結果一目了然。

陳傑解釋，資料的分析、挖掘最後終究是要落在幾個點上，也就是說能説明完成什麼樣的工作，獲得什麼樣的結果，這種更加具體、專注的工作；落地的這個「小」資料，正是資料發揮的價值所在。 詳細

姚鍵

姚鍵優酷土豆集團CTO

優酷新上線的首頁頁面上，通過一個叫做「協同過濾推薦」的技術，可對於不同的使用者推薦他們喜歡的視頻。

據悉，協同過濾推薦（Collaborative Filtering recommendation）在資訊過濾和資訊系統中正迅速成為一項很受歡迎的技術，其與傳統的基於內容過濾直接分析內容進行推薦不同，協同過濾還分析使用者興趣， 在使用者群中找到指定使用者的相似（興趣）使用者，綜合這些相似使用者對某一資訊的評價，形成系統對該指定使用者對此資訊的喜好程度預測。

由此可見，看上去簡單的相關推薦，其實在優酷的視頻推薦中涉及上百個參數，每次要調整參數，都要手動調整十幾甚至幾十個參數，每天推薦視頻的資料模型中要涉及的資料高達幾十億。

當然，數位證實，通過這種協同過濾推薦給使用者的視頻是靠譜的，因為在海量的視頻中尋找自己喜歡的視頻成本是很高的，推薦視頻的打開率也令人滿意。 詳細