Netflixのテック企業としての歴史
ででーん、なんだなんだ?
Netflixの開いた時の音。
だだーん、だだーん、だだーん、え?
うん、それだよ。あれだだーんっていう名前らしいっすよ。
嘘だね。誰がつけたの?だって日本語じゃん。
そのだだーんは。
あ、違った。
タダムだった。
タダム?
だだーんってことだ。
はい、ということで、今回はNetflix回でございます。
Netflixはもう、テック企業もテック企業。ゴリゴリゴリのテック企業だからね。
たっちゃんから紹介されるレコメンドエンジンから始まり、
Netflixのテックのニュースが好きすぎて、延長線も喋り、
これ聞いたらもうね、Netflixのテックはほぼカバーしたと言っても過言ではない。
うん。タイトルに完全バンってつけちゃう。
そうすると来るらしい人が。
でもレコメンドエンジンの歴史を知ることで何から勉強していけばいいかも見えてくるかも。
じゃあ、Netflix好きな人、AIの勉強したい人、レコメンドエンジン推薦システムやりたい人は、みんな聞いた方がいいって感じだね。
はい、ということで、かなり楽しく喋ってきたんで、ぜひ最後まで聞いてください。どうぞ。
隣のデータ分析屋さん。
この番組は、隣の席に知らないことを気軽に聞けるデータ分析屋さんがいたらいいなぁ、を叶えるポッドキャストチャンネルです。
データアナリストのりょっちです。
データサイエンティストのたっちゃんです。
私、文豪。文豪モード入ってます。文章書いてますよね。
すごいよ、もう今。ずーっと文字書いてる。
これの公開の週だ。11月20日発売のプレイボーイ。
おっぱい、おっぱい、おっぱい、俺。
え、脱いでるんすか?
グラビア、りょう初グラビア。
終焉者もうち迷いましたね。
プレイボーイで宇宙の解説をカラーページ4ページですよ。
いや、さっき見てきましたよ。コンビニ行って。
すごい、あれ手に取るの恥ずかしいよね。
ちゃんと載ってた。
あ、しかもおかわり企画。2回目。
2回目ね。
1年越し2回目の出場。
うん。文章だけじゃなくてね。
あ、そうそうそう。写真付きね。ポッドキャストでできない。
うん。あれもデータよ。なんか評判がめちゃめちゃよかったって。1回目の時は。
だからおかわりしましょうみたいな。
えー、やっぱ雑誌の評判は最後のアンケートなんすかね。
なんじゃない?爆マンでやってた読者アンケート。
そうだよね。
俺がきっと来たんだろうなっていう。
で、そこをプラスで、あれね、終焉者ズブズブだから。
終焉者のウェブメディアの読みたいっていうところで宇宙の連載スタート。
はいはい。
酒のつまみになる宇宙の話っていうタイトル。
これから書いていくんですか?
今1個目公開で、このエピソード公開の2日後に2つ目が公開って感じ。
ん?それはどこで見れるの?
読みたいっていうね、ウェブサイト。
ウェブサイトか。
こっちの方がデータシビアに取られるよね、多分。
ウェブサイトってめっちゃデータ取れちゃうから。
じゃあそのリンクも貼っておきましょうか。
確かに。みんな見てね。
見てね。
本当に大事だから、数字。
N増やして。
それが次につながるかどうかが決まるから。
マジで大事だからね。
しかもお酒を飲むのが仕事になったからね、これのおかげで。
そうか、酒のつまみになるか。
そう、毎回お酒も紹介するから、ちょっとアダルティーな宇宙の特集ですよ。
いいっすね、仕事しながら酒飲んで。
ほんと、マジ文豪。
他にもいろいろちょっと執筆やってるから、そのあたりはおいおい紹介していきましょうかね。
そうですね。
とりあえずアンケートはしっかり答えてもらって、人気にさせてあげてください。
お願いします。
このポテンシャルが伸びるからね。
そうですね、結果的に。
じゃあ、今日はたっちゃん企画なんでしょう。
そうですね。
アンケートの話にもつながるのかなと思うんですけど、
やっぱりアンケートで取れたデータを元にどこが人気か、
どのジャンル、どういうコンテンツを作っていこうかっていう話を、
もう極めに極めてる企業、ネットフリックス。
来ました。
この会社の話をしていきたいと。
データ活用のもうね、総本山みたいな。
総本山ですね。
AmazonとかGoogleとかがあるけど、
GAFA抜いたら相当データ活用してる会社なんじゃない?
で、みんな知ってるのかなと思いながら、
調べれば調べるほどデータ活用がもう、
隅々まで行き渡ってる素晴らしい会社ってところが分かってきたんで、
これを紹介していこうかなと思ってます。
確かに。
ネットフリックスの面白いな。
しかもデータ系の人は大体見たことあるんじゃないかな。
1、2個ぐらいは。
ネットフリックスのデータ活用の話?
それは確かにね、ありそう。
それよりもネットフリックスもみんな見てるでしょ、きっと。
そもそもネットフリックスのサービスは。
あー確かに。
どのくらい、何だろうね、加入率とかって。
加入率というか、加入数みたいな。
今はもう世界各地で、
190の国と地域で見れるっていう、
本当に世界中で見れるコンテンツで、
ユーザー数は2億超えてるんですって。
2億!?
2億で、
平均客単価が、
2000円?
今そうだね、月そのくらい?
2000円くらいかな?
で、え!?
えぇ!?
っていう会社ですよ。
毎月何千億円稼いでるんですか。
その他いろいろな事業やってるわけで。
ゲームとかあるよね。
そう、ゲームもある。
どんどんサービス拡大してる。
けれども、早速入っていきたいんですけど、
ネットフリックスって、
そもそも何の会社かって知ってました?
私ご存知でございます。
知ってる派の人ですか?もしかして。
ネットフリックスにお熱な時代がありましたからね。
あら、そうですか。
じゃあ教えてください、何の会社でしょうか。
エロビデオ屋さんでしょ?
いや、そうとも言えるけれども、
それは、
イエスであり、ノーでもあるかな。
ビデオの部分が違うってことね。
あ、そうだね。
ビデオというか、
もともとはDVDの販売とかレンタル事業をやってた会社ですね。
ゲオだね、ゲオ。
ゲオだね。もしくはツタヤだね。
俺の実家の近くのツタヤなくなった。
いや、まぁね、徐々に減ってはきてるけど。
赤デカツタヤだったのに。
楽しかったですよね、子供の頃行くの。
本当にね、俺、映画フリークの時期あってさ。
はいはい。
いつだっけな、高校生かな。
高校?
高校2年、いや違う、大学1年か。
大学1年の夏休みとか、俺多分映画100本ぐらい見てんだよね。
じゃあ映画詳しいね、これは。
好きよ、結構。
その時めちゃめちゃ見た。
それはまぁ、タイタニックを見ていないあなたと一緒にされたら困りますよ。
本当にね。
あれがなんだかんだ口コミで一番面白いって言われてるからね。
いや言われますね。爆笑したって結構言ってくれてるけど、半分バカにされてますよね、たっちゃん。
タイタニックね。
タイタニック外もぜひ見てください。
いやまぁ、そうね、タイタニックの話もあるんですけど、
Netflixはそういうタイタニックとかの映画を見れるDVDの授業、販売レンタルの授業からスタートして、
NetflixのDVD授業のスタート
これ1997年なんですよ、スタートは。
DVDって世に出始めたのって96年なんですよ。
めちゃめちゃアーリーアドプターじゃん。
そう、めちゃめちゃアーリーアドプター、そのDVDの両名機に合わせて授業をスタートして、
ドーンと爆速スタートダッシュを切ったっていうところも、
うまく授業が進んだきっかけだったかなっていうのもあって。
霊名機だよ、霊名機。
これ霊名機って読むんですか?
これはもうTシャツ作ろう、両名機っていうTシャツ作ろう。
これね、どっかのエピソードでも同じこと言ってんすよ、自分。
え、うそ。
字幕が今編集したら出てくるじゃないですか。
うん。
なんか変な感じに変わってるってなんだろうなと思って調べたら、霊名機だったわ。
あ、しかもそれを学習したのに忘れちゃった。
そう、ポンコツだった。
いつだろう、聞き逃してるな。
そうそう。
あ、そうね、そのDVDの霊名機に合わせて授業スタートしたよっていうのもあって、
うまく爆速で始まったんですけど、
この頃DVDの授業とか、
ソニーとか東芝とかパナソニックとか、
DVDの機械とか電子機器がめちゃめちゃ流行ってて、
当時時価総額もめちゃめちゃ高かった時期だったので、
確かにね、DVD戦争ね。
そう。
NetflixとDVD戦争
創業間もないNetflixが、
実は日本の会社にもぜひうちのサービス使わないかみたいな、
ビジネスの協業の話とかも出てたらしくて。
そのぐらいNetflixのDVD授業はノリノリだったってこと?
ノリノリイケイケで、
えー。
バカですよね。
その時に協業しとけば、今やね。
バカだねー。
とかっていう話もあり、
まあいい感じで授業はスタートしたんですけど、
そのレンタルビデオの課題というか、
なんかめんどくささあるじゃないですか。
物理輸送。
難しい言葉で言いますね。
もうシンプルにあれですよ。
延滞料金ですよ。
あれだって延滞料金で稼いでるんじゃないの?
レンタル屋さんって。
そっち目線だとそうだけど、
ユーザー側からしたら嫌じゃないですか。
あー、そういうことね。
映画の満足度下がるよね、あれで。
何度延滞料金払ったか。
なんか忘れちゃうほど返してないはやったことないな。
ある?
分かってて返してないが、
あ、今日も返し忘れた。
って感じで。
いくらいくぐらいまでそれやったことある?
3000円ぐらいある。
たぶん1ヶ月ぐらい。
結構じゃない?
最高それぐらい。
あ、忘れてた。
それは忘れてたって時かな。
いや、結構だね。
だってDVD買えるもんね。
いや、そうだよ。
うわー、それやだなー。
そう。
それが一番やだよねっていうところと、
物理輸送。
物をね、輸送というか、
持ち運ばなきゃいけないっていうところを、
見事解決したのが、
このNetflixの面白いところで、
このタイミングで、
月額定額サービスを始めたんすよ。
早いね。
それも早いな。
早いっすよね。
サブスクを90年代にスタートしてるから、
相当早いっすよ。
どちらがサブスクを感じたのってなんだろうな。
アマプラ?
あー。
プライム会員?
うん。
しかも大学4年とかじゃないかな。
大学4年とか修士とかだった気がする。
研究室でね、
どうしても見たい海外ドラマがあって。
うん。
で、額割りでアマプラめちゃめちゃ安いじゃんって言って、
登録した記憶があるから、
大学4年か修士だね。
え、それったら多分、
リスモとかの着歌の時代だった気がする。
あー、リスモね。
え?
リスモの曲といえば?
また会いましょう。
あー、確かに。
俺、ティアモー出てたわ。
あー。
シーモだっけ?
シーモだね。シーモネーターね。
うん。
そう。
え、シーモは元々シーモネーターだよ。
え?
今の知らないリアクションだったでしょ。
うん、知らない。シーモはシーモじゃないの?
じゃあシーモはシーモネーターからシーモになってんだよ。
あ、そうなの?
そうだよ。下ネタのシーモだよ。
ほんとかよ。
あ、ほんと?マジ?これはマジ?
なんかこういうの多いよね。
それ実はこういうのだよみたいな、
毎回毎エピソードで言われてる気がするわ。
すごいんだから俺も、引き出しが。
まだ信じきれてないけど。
次回のエピソードの話しちゃうけど、
次回、夜遊びの話するじゃん。
はいはい。
夜遊びってリスモっぽくない?
え?どういうこと?
今の時代にリスモがあったら、
絶対に夜遊びの曲がリスモの主題歌になってる説100%っていうのを捉えてて。
あ、それはわかるわ。
リスモ目線で見ると、もう夜遊びの曲めっちゃリスモなの。
意味がわかんない。
いやマジで聞いてほしいみんなに。
リスモだと思って、リスモの、
緑のリスを頭の中で想像させながら、
あのね、ヘッドホンしてるね。
そうですそうです。
そうしたらマジで携帯のCMにしか聞こえないから。
これはね、強く、強く言っていきたい。
夜遊びはリスモ。
まあ戻しますか。
そう、全然まだデータ分析の話できてないんだけど、
まずいね。
まずいまずい。
ようやく、そのDVDの販売事業から、
サブスクに切り替わってるっていうところで、
まあ延長料金ないし、
サブスクで借り放題だしっていうところもあるんですけど、
一番の特色は、
サブスクで借りる、
そのタイトルを、
ユーザーにおすすめするっていうサービスも一緒に、
このタイミングで作ったっていうところがあって。
映画のおすすめってこと?
そう、ネットフリックスの映画おすすめ機能が、
どんどん前に進み始めたのは、
まあだいたいデータサイエンティストがネットフリックスデータで思い浮かべるのはそこだろうね。
そこだね。
レコメンドっていうここの技術。
あれできたら、食いパグれないよな。
食いパグれない。どんな事業でも生きていける。
まあそうだよね。
データサイエンティストとして一番すごい気がしてんだよね。
俺の中で。
いろんなね、分析技術がある中で。
画像とかはもうなんとなく、
見よう見まろでできるというか、
割といろんな人が手を出してるから、
画像系の処理って、
どんなレベルの人でもある程度できるんだけど、
もちろん深くまでいったら違うんだけどね。
レコメンド系は、
売上直結感がすごいというか、
大阪ガスの時にさ、
バリュー出してるか問題あったじゃん。
データ屋さんバリュー出してるか問題みたいな。
あれの目線で考えた時に、
データサイエンティストが、
一番売上を生み出すのに近い、
AI技術って、
レコメンドエンジンって結構でかいと思うんだよね。
それで言ったら結構僕、
その話の革新的な答えを持ってると思ってて、
データ分析屋さんが、
価値を生み出せないと感じる根本的な理由は、
売上に直結しないっていうところは間違いないんだけど、
結局、AI使ってできることって、
分類とか予測とか、
いろいろいくつかあると思うんですけど、
その中で推薦は、
推薦してAIが出した答えをそのまま人間が、
意思決定に使えるってところが、
違いだと思ってて、
だから一番バリュー出せる技術が、
推薦っていうのはその通りなのかなっていう。
じゃあこれ、超大事解じゃん。
実は。
だから推薦技術はね、めちゃめちゃ使えるし、奥が深いし、
工夫のしがいがめっちゃあるから、
よく分析のコンペとかでも使われるネタだし。
俺、最近ちょっとそこの門の前まで立ってるわ。
門番やってるんですか?
門番やってる。
なんかここから一歩先行ったら、
レコメンドの話出てくるな、入ろっかなみたいな。
ツタヤの18禁ののれんの前に立ってるみたいな状態になってる。
一番恥ずかしいやつじゃん。
どうしよっかなって。
前ちょっと何回か通ってみたりしてこうやって。
隙間からこう覗いてみたりして。
一番恥ずかしいよ俺、それが。
入っちゃえ入っちゃえ。
残りの時間で推薦のシステムの進化というか、
どんな風にNetflixが推薦技術使ったかって話をしてきながら、
これたどれば今の推薦システムの主流が何かみたいなところが見えてくるかなと思うので、
そこを歴史を追いながら紹介していきたいなと思うんですけど、
Netflixの推薦システムの初期段階
最初の推薦システム、
Netflixが採用したものってめちゃくちゃシンプルで、
ある映画のタイトルの内容を元にそこで出てる俳優さんとか、
その映画のジャンルSFなのかロマンスなのかファンタジーなのかとか、
いつ公開されたのかっていうその映画そのもののコンテンツをベースに、
なんか関連する映画を紹介していくっていう。
だから同じジャンル、SFならSFの作品。
出てる俳優が同じならその同じ俳優の作品、みたいな。
そういう推薦の仕方をしてたんですよ。
たしかに。
ブラッドピットの映画深掘りてぇな、みたいな。
あーそうそうそうそう。
推薦システムにおけるラベルの重要性
じゃあトム・クルーズの映画見たら戸田夏子が翻訳してる映画全部出るのかな。
戸田夏子ラベルついてない?
翻訳家戸田夏子。
それもありだよね。戸田夏子ラベルでお勧めしていくっていうやり方だよね。
今の話だと。
これのやっぱキーポイントはラベルだよね。
そうだね。その映画にどういうラベルがくっつくかって話。
これ大変だっただろうな。どうやってやったんだろうね。
これだからさ、データ触ってる人はさ、
たぶん今のラベルって話題でピンとくるけどさ。
そもそもその映画に誰が出ててとかの情報を紐づける、
紐づいたデータを用意しなきゃいけないっていうところが相当しんどいじゃん。
しんどいね。でもまだこの2000年になる前ぐらいだから、
しかもユーザー数もそんなに多くない。数百とか千とかっていう話だったら、
映画詳しい人がこれとこれ見たら次いいよみたいな感じで渡していけばいいだけじゃない?
それは何?計算してるわけじゃなくて。
Netflixの推薦システムの誕生
ルールベース的に計算がされてるのかもしれないけど内部で。
でもそんなに難しい技術じゃなくて、シンプルに。
AIとかじゃなくてってことね。
そうそうそうそう。紹介してたよっていうのが推薦の始まりですと。
これには大きな課題があって、ブラピーならブラピーでもいいや。
ブラピーが出てるの全部好きってわけじゃない人もいるじゃないですか。
まあそうね。
アクションとかSF的なのが好きなんだけど、別にブラピーのラブストーリーは興味ねえよみたいな。
はいはいはい。ファイトクラブ。俺はファイトクラブ派だよみたいなね。
っていうところにはやっぱり手が届かないっていう課題感があるんですよ。
ここで出てくるのが、いわゆるユーザーがその作品を見たかどうかっていう情報を加えた推薦の方法。
例えばどっちがある作品を見たと、5本見たと。
自分がそのうちの3本見たと。
そしたらきっとリョッチと自分の好きな映画は似てるから、残り2本見てない、リョッチが見たうちで自分が見てない2本を推薦しようみたいな。
そのユーザーベースのレコメンドっていうやり方。
それが2段階目?
そうそう、2段階目。このユーザーは似てる傾向の映画を好むから、その人がまだ見てないものを推薦してあげようみたいな。
これよくアマゾンのショッピングでよく使われてるやつで、協調フィルタリングって呼ばれる技術。
はいはいはい。
聞いたことありますよね、きっと。
協調フィルタリングね。
うん。
まあ出てくるね。
めちゃめちゃ出てくるね。
今日読んだ論文にも出てた。
コラボレーションフィルタリングだっけ?
ハーモニックフィルタリング?違う?あれ?
いや、コラボレーティブフィルタリングか。
コラボレーティブか。
ハーモニックなんちゃらあれだね。調和関数の方だね。
あ、調和関数の方か。
いうところで、協調フィルタリングを使った方がやっぱり精度はいいよねっていうのがあって。
うん。
ただこれもやっぱ課題があって、その映画を見たか見てないかの01だから、見たけど面白くなかったっていうユーザーもいるわけですよ。
ほんとだよ。
この映画が面白くないとは言えないけど。
やっぱり面白くない映画はあるわけで。
俺、ネットフリックスとかになってから増えた気するんだよな、そういうの。
あ、そうっすか。
よっぽどTSUTAYAでジャケ狩りしてた時の方が打率は良かった気がする。
推薦システムの改善
しかもTSUTAYAの時は狩りってしまったら見るよっていうところなんか、冒頭つまんなくても後半に食いにつれて面白いあるじゃないですか。
そりゃね、あるね。海外ドラマあるあるね。1話クソおもんないやつ大体後半おもろい。
まあでもそういうのはね、面白いか面白くないかってところまでは反映できてないから、やっぱりデコメンドのシステムとしてはまだ不十分。
そうね。
これを改善したのが、見たか見てないかじゃなくて、見た時に星いくつつけたかっていう情報も取るようにしたってところが次の段階。
映画好きなやつって、辛口コメントしたがるよな。
まあでも、この星いくつつけるかっていうところは、辛口とか甘口評価もいるけれど、その人が辛口だろうが甘口だろうが、その人のつける評価のレンジ、幅っていうのが分かるから、
それを企画化というか、みんな同じ水準に合わせてあげるってこともできるっていう。
まあ確かに。
うまみがあるんですよ。
そいつはじゃあほぼ、そいつのマックス値ほぼ4だよねみたいになったら、他の人が5をつけてるけどそいつは4でも、実際は5で計算しちゃうみたいな。
あ、そうそうそうそう。
はあ、まあ確かに。大事だねそれは。
大事。うまくデータを使うっていうところが、まさに使える技術があってところで。
でここから、なんかNetflixは自分たちのこの作った推薦システムに名前をつけ始めるんですけど。
うわ、来た!台風みたい!
エリザベス!
いやいやいや違う違う違う。アメリカだからってね、台風とかハリケーンに人の名前つけるわけじゃないんですよ。
違うの?じゃあなんだ、エクカリバー。
シネマッチ。
バナサ。
やめて!キャッチでいいじゃん。キャッチでいいのよ。
シネママッチね。
あ、そうシネママッチをギュッてやってシネマッチ。
そのセンスってやっぱ世界中どこでも同じなんだね。
いいじゃん別に。
わかればいいじゃん。
これがね2000年に、でももうこのタイミングでユーザー数400万人いってるんですよ。アメリカだけで。
マジで?
しかも。
やば!
っていう、やっぱりレコメンドによってね、なんか面白い映画が新発見できるっていうのもあるし。
ユーザビリティ高かったってところもあって。
で、こっからですよ。データ分析の人が好きな話。
Netflix Priceっていう。
来ました!
世界規模のレコメンドエンジンの精度を高めようコンペが開催されるって話ですね。
来ましたね。コンペティション、コンペティションだ。
で、これの精度向上していい技術見つけようぜとか、
シネマッチのアプローチとまた違う技術ないかなっていう発見とかっていうところで、
目標値はシネマッチの精度の10%を超えるところだったんですよ。
はいはいはいはい。
で、2006年からスタートして、3年間この大会が続くっていう。
いや、これがね感動的な終わり方をするというか、衝撃的な終わり方をする話で有名なんですけど。
ダダーン。
隣のデータ分析屋さん、今回も面白いなと思ったらフォロー・レビューよろしくお願いします。
番組の感想や質問は、ハッシュタグとなりの分析屋、となりのがひらがなで、分析は漢字でお願いします。
また概要欄に貼ってあるお手紙フォームからコメントジャンジャンお寄せください。
ではまた。
ばいばーい。
