Netflix的終極目標：讓人們找到自己鍾愛的電影

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►►►