The following two tabs change content below.

文/馬克.藍道夫;譯/許恬寧

二○○○年二月,我們放棄單次租片服務,完全轉換成訂閱服務,一個月一九.九九美元。現在 Netflix 就是月租制,月租制就是 Netflix。

專注。專注是創業者的祕密武器。Netflix 的故事一遍又一遍出現這個元素──放棄販售 DVD 片、放棄單次租片服務,最後放棄 Netflix 創始團隊的許多成員──我們得願意割捨過去,才能迎向未來。專注到這種程度,有時看起來簡直是無情──的確是,有一點,但不單純是那樣。有時專注接近勇氣。

月租制讓弱點成為極大優勢

完全轉換至月租制之後,我們最大的弱點──運送時間,幾乎瞬間成為最大優勢。我們不再比百視達慢幾天,反倒快好幾倍!如果你想看電影,再也不必開車到錄影帶店。已經有好幾部電影等著你,就放在你的電視機上頭,非常接近「隨選電影服務」(movies on demand)。

我們想像用戶擁有不斷隨時更新的 DVD 片庫。晚上看一部電影,隔天早上上班的路上丟進郵筒,下午就收到電子郵件,通知下一片 DVD 已經寄出。

雖然稱不上想看什麼電影就能「立即滿足」(instant gratification),但十分接近了。

我們不知道新制度會對出貨方式產生什麼影響,湯姆.狄倫已經著手重新設計我們前一年使用的所有撿貨、包裝及運送系統,以確保效率,方便顧客使用。湯姆想出便宜許多的方法,效率也隨之提高──一旦有庫存,就立刻送出所有的 DVD ,即便顧客不只訂購一片 DVD ,也不要等集貨(我想到每次我和羅琳到一間新開的時髦小盤料理餐廳,餐廳都會告知每道菜一煮好,就會上菜。聽起來像是很酷的用餐哲學,但其實只是方便廚房出菜)。

月租制不一定需要更快送達,因為我們顧客的電視機上已經擺著好幾片能看的電影,但我們認為,要是訂戶可以在還片的隔天就收到新電影,那還挺酷的。就像施了魔法一樣。再說了,誰想要租一片 DVD 得等一星期?

我們部分的地方顧客,已經享受隔天送達的服務。由於地理位置的關係,我們的倉庫就在聖荷西,在地的 Netflix 用戶下訂單後,通常一天內就能拿到片子,佛羅里達的用戶則得等上六、七天。然而,當我們檢視數字,並未發現送達時間與能否留住顧客有任何關聯。幾個月後,西岸灣區與東岸佛羅里達的顧客保留率(customer retention)差不多。

一天下午,我問瑞德:「為什麼會這樣?」我拿著一顆網球,扔向辦公室的座位隔板玩拋接。「我以為佛羅里達的人會說:『騙子,這個爛服務不值十五元。』」

「他們大概習慣了。」瑞德說:「他們知道我們位在美國另一頭,大概原本就假設自己會比較慢收到。這一點,我們或許能逃過一劫。要是不必全國各地都設立倉庫,提供隔夜送達服務,就可以省下很多錢。」

「這說不通。」我說:「隔天送達應該會有差才對。我們一定是漏掉了什麼。」
我丟球丟得有點太用力,沒接到,球飛到瑞德桌上。

「我想到了。」我說:「我們一開始就不曾在某個城市推出隔天送達的服務。如果那麼做,就能測量所有變因帶來的影響,看看是否有差別。」

瑞德聳肩。

我永遠忘不了我和湯姆.狄倫討論這件事時,他看著我的樣子。我說我們需要在別的市場測試隔天送達服務,確認一下效果。我不確定該怎麼做,但顯然我們不能單單為了在一個城市測試服務,就蓋起全新的物流中心吧?

「那就在沙加緬度市(Sacramento)測試吧。」他咯咯咯笑了起來,「不需要蓋倉庫,只需要花一個月的時間,每天晚上把 DVD 載去那裡,丟進沙加緬度的郵筒。」

「你自願?」

「才不要。」湯姆說:「這是你的點子。」

這就是為什麼丹.傑普森(Dan Jepson)每天開著廂型貨車,在八十號州際公路奔馳兩小時。他搖下所有的車窗,車上載著的幾千份Netflix郵封的邊角,在微風中輕輕拍打。

接下來幾個月,丹每天早上開車到沙加緬度市收郵件,帶回洛思加圖斯,接著幾小時後,再跑一趟一模一樣的路線,到沙加緬度市寄信。我們記錄下這幾個月得出的數字,最後的結果出人意料。隔天送達並未改變我們的取消率,發生變化的居然是新顧客的訂閱率。

「這完全沒道理啊。」我站在克莉絲汀娜的桌子旁,手上拿著印好的新顧客訂閱率報告。「我們並沒有事先告訴顧客,他們現在隔天就能拿到電影──我們只是直接提供這個服務!難道他們是……靠感應就知道,自己會那麼快就收到 DVD ?」

克莉絲汀娜翻白眼。「馬克,沒有這種事,你見林不見樹。」

我等著她解釋。

「人們會告訴自己的朋友。這叫口耳相傳。」

克莉絲汀娜說得沒錯。隨著測試時間愈拉愈長,隔日送達的效果就更顯著──只不過不是我們設想的那種效果。隔日送達並未影響到顧客的續訂率,而是加入率。隔日送達讓人們覺得真是太棒了,你會告訴所有的朋友你使用的新服務。漸漸地,我們的沙加緬度市場滲透率開始接近矽谷。矽谷!所有搶先使用 DVD 技術的人都在矽谷!

這件事給了我一個寶貴的心得:相信你的直覺,但同時也要測試。實際做任何事之前,要先有數據支持。我們猜想隔日送達很重要,但我們分析測試結果時目光短淺,所以不瞭解原因。直到我們做了額外的測試,跳脫一般的作法,才明白我們直覺就知道的事確實無誤。一旦明白之後,就能修正點子,拓展點子的潛力──無窮的潛力。隔天送達就像神奇魔法。我們知道公司未來的計畫,一定得納入隔夜送達,現在只需要想辦法,看怎麼樣可以不必自己開車送 DVD ,不必在全國各地蓋龐大的倉庫,也能做到隔天送達。

自動推薦顧客喜歡的電影

Netflix 真正的目標是協助人們找到自己最喜歡的電影,他們會鍾愛的電影。從一開始,我們就知道我們的公司,不能奠基於運送服務,或單純一樣產品──如果是這樣,等到新技術一出來,我們就會立刻過時。假使公司要有一絲能長久的希望,我們就得讓顧客相信,我們提供的不只是線上電影庫,也不只是快速送達。技術或運送方式都不重要,重要的顯然是把我們知道用戶會喜愛的電影介紹給他們。不論未來的技術把我們帶到什麼方向,那一點很重要。

當然,這種事說來容易,做起來難。

線上商店的劣勢,就是很難瀏覽商品。如果你知道自己在找什麼,搜尋一下就好,但如果不知道,找到想看的電影就出乎意料地困難。因為你一次只能看一個頁面,一個頁面只能擺數量有限的電影。你得光看封面或劇情簡介,就立刻下判斷。當然,實體店面也有這個問題。米奇說,多數人走進錄影帶店,完全不確定自己在找什麼,晃過一區又一區。然而在實體店,至少可以請店員幫忙推薦,再不濟也可以在貨架間晃蕩,希望剛巧就能發現有趣的影片。

我們希望讓瀏覽電影變容易,也想把用戶連結至推薦與心得,所以我、克莉絲汀娜和文案內容團隊,替各種電影類別設計出內容豐富的登錄頁面。如果你想找驚悚片,我們有所有專屬頁面介紹驚悚片,還附上前十大片單,以及近日新片與經典驚悚片的評論,大力推薦我們擁有的庫存。如果你喜歡阿湯哥的電影,我們也提供類似的服務。透過非強迫的建議與引導,顧客也可享受到熱心(與熟悉電影)的錄影帶店員提供的服務。

我們想提供個人化的服務。問題出在以人工的方式進行會非常昂貴,更別提有多耗時。我們的庫藏只有九百部電影時,還有可能一一提供相關內容。到了一九九九年年底,我們手中已經有近五千部電影,更新速度很難跟上,瀏覽的難度也增加許多。

瑞德就是瑞德,他希望推動自動化。

「不要管登錄頁了。」他說:「我們反正要重新設計網站。不要再用寫死(hard-coding)的頁面,不如這樣吧:弄出有槽(slot)的首頁框架,一次顯示四部電影。每一個槽都顯示電影封面、長度、發行日期、劇情簡介──那些我們已經有的資料。接下來,只需列出你希望顯示在那裡的五十部電影,讓網站隨機選取要顯示哪四部。或是乾脆直接定義如何設立清單──或許可以稱這個清單為『驚悚片』,讓系統隨機選取任何我們標記為驚悚片的電影。」

如果我記得沒錯,這項建議讓我瞠目結舌。我討厭這個點子,感覺好冷酷、電腦化、隨機──與所有我們嘗試做到的事背道而馳。

然而,各位最近用過 Netflix 嗎?瑞德的框槽架構保留下來──只有些許修改。最關鍵的是槽內顯示的電影不是隨機選取,而是來自複雜的配對服務演算法,同時考量到客戶的品味和 Netflix 的需求。

配對演算服務可以回溯至二○○○年,以及瑞德的網頁推薦框。因為瑞德當然眼光很準──用戶需要使用更有效率、更簡單的方法,找到自己要的電影,甚至比有文案介紹的登錄頁面更直覺。把 DVD 擺進推薦框是第一步,現在我們只需想辦法讓推薦的電影不是隨機出現。

那年秋天,我們討論該如何打造服務,除了能推薦用戶會喜歡的電影,又能讓我們的物流程序更簡便(提高利潤)。使用者坐下來決定要租哪部片時,我們希望他們會看見一張電影清單,推薦的片子依據他們的品味量身打造──同時也對我們的庫存最有利。如果我們能告訴顧客他們想看的電影,他們就會更喜歡我們的服務。如果也推薦我們希望顧客看的電影呢?雙贏。

簡單來講,就算我們訂購的新片比任何一間百視達還多二十倍(非常昂貴的險招),我們也無法永遠滿足所有的需求。新片都很昂貴。為了讓顧客開心,又要讓成本合理,我們需要把用戶導向其他電影。那些電影比較不熱門,但我們清楚是用戶喜歡的類型──喜歡的程度,搞不好還勝過新片。

舉例來說,假設我租了(我愛的)《歡樂谷》(Pleasantville);這是一九九八年最優秀的電影之一,充滿聰明的黑色幽默。劇情是兩個一九九○年代的青少年(由陶比.麥奎爾〔Tobey Maguire〕與瑞絲.薇斯朋〔Reese Witherspoon〕飾演),被吸進一個場景是一九五○年代美國小鎮的黑白電視節目。理想的推薦引擎將有辦法把我導離最近的新片,推薦其他類似《歡樂谷》的電影,如《好萊塢醫生》。

那個目標很難達到,因為品味很主觀。此外,試圖找出每部影片之間的類似度時,涉及幾乎無窮無盡的各種因素。該用演員、導演、類型來分類嗎?還是上映年度、獎項提名、編劇?心情等因素又該如何量化?

我、瑞德與工程師研究了好幾個月,演算法很難設計,不知要如何讓電腦推薦合理的電影片單。由於演算法只能使用現有的數據,如電影類別、演員、地點、上映年份與語言等,通常會提出對電腦來說合理的建議,但並不會真的考量真實世界中相似的條件;有時只會提供無用的建議:「你喜歡看《捍衛戰士》(Top Gun)?那要不要看另一部也是一九八六年上映的電影!」

我們最後發現,如果要給用戶他們想要的電影,最好的辦法是取得群眾外包數據。

請顧客評分

最初,我們採用和亞馬遜一樣的方法,利用「協同過濾」(collaborative filtering)流程,依據共通的購買模式建議產品。亞馬遜如今依舊這麼做。基本上,如果你在亞馬遜買了扳手,你就會跟其他買過扳手的人放在相同的群組,建議你買同組客戶買過的其他商品。

租片的話,假設我和瑞德都向 Netflix 租過三部電影。我租了《世界末日》(Armageddon)、《麥迪遜之橋》(The Bridges of Madison County)、《北非諜影》,瑞德租了《世界末日》、《麥迪遜之橋》與《魔速小子》,「協同過濾」會認為,既然我們兩人租過相同的兩部電影,我們大概會喜歡對方租過的第三部電影,網站於是推薦我租《魔速小子》,並推薦瑞德租《北非諜影》。

這種方法的問題,當然是租片史篩選法無法告訴你,我是否喜歡《北非諜影》,或瑞德是否喜歡《魔速小子》,只會讓我們知道,我們兩人都租過那些電影。我們有可能剛好都不喜歡那些電影,或者我們其實是幫孩子(或妻子)租的。

如果我們要利用「協同過濾」,把顧客放進相同的群組,接著推薦電影,我們需要知道顧客喜歡哪些電影,而不只是他們租過的片子。我們需要心得系統:也就是電影的評分系統。如果靠評分將顧客分組,依據正面評價或負面評價,把類似的使用者「聚集」(clustering)在一起,就能有效推薦電影給使用者:不是依據他們租過什麼,而是他們喜歡什麼。演算法最終發展得比那複雜許多,不過要發揮作用,怎麼樣都需要先取得用戶的影評──大量的影評。

我們最後決定請顧客替電影評分,每部電影給一顆星到五顆星。五顆星代表他們喜愛那部電影,一顆星則是完全不需浪費時間觀看。

聽起來很簡單,但那該死的星星評分系統,卻帶來數百小時的爭論。至於減少像素的提議,連吵都沒機會吵。能不能給零顆星?要提供半顆星的選項嗎?用戶評分時可以給整顆星,但我們預測評分時,也該用整顆星嗎?還是該用十分制?什麼時候要提示用戶替電影評分?小工具(widget)該擺哪?

我們最後請 Netflix 用戶早早評分、常常評分,每當他們造訪網站,就請他們替電影評分。每當他們還片,重新整理想看的電影清單時,都會加以提示。租片的好處是你不一定要租過才會看過──租片不像買扳手,不一定要買過才能評分。理論上,用戶可以替看過的每一部電影評分──就算他們不曾跟我們租過片也沒關係。我們後來發現,人們很喜歡被請教意見,人人都是影評人。

我們輕鬆蒐集到大量的評分,得以打造「協同過濾」功能,以一定的準確度,預測出顧客可能喜歡哪部電影。瑞德的團隊接著整合品味預測功能,設計出納入更多因素的電影推薦演算法,包括關鍵字、總庫存量、目前在庫的片數與每片的成本。

我們在二○○○年二月推出 Cinematch,感覺有如更具直覺性的推薦引擎,將定性評估外包給用戶,同時也在後端優化。從許多方面來看,Cinematch 集合了兩個世界的長處:是自動系統,但也令人感到人性化,就像錄影帶店員詢問你最近看過哪些電影,接著推薦他知道你會喜歡、他也有庫存的片子。

事實上,Cinematch 感覺起來比人類推薦來得更好,因為是無形的建議。

如果說,以上聽起來像是我和瑞德決定共同治理公司後,一下子就出現 Netflix 史上最創新、最具影響力的兩大發展──聽起來會有這種感覺,那是因為那是事實。

※ 本文摘自《一千零一個點子之後:NETFLIX創始的祕密》,原篇名為〈沒人知道任何事〉,立即前往試讀►►►

  • 用Line傳送