Motorul de recomandări: cum influențează ce alegem să vedem în continuare

Mult timp, alegerea unui film la cinema sau a unui serial pentru acasă era un proces destul de simplu: te uitai pe program, citeai o recenzie, aveai încredere în recomandarea unui prieten sau te uitai la trailer înainte să iei o decizie. Astăzi, odată cu platformele de streaming online, procesul este, de obicei, foarte diferit: deschizi o platformă și, înainte să cauți ceva anume, ai deja în față o selecție de sugestii care pare făcută special pentru tine.

De exemplu, după ce urmărești mai multe filme de Christopher Nolan, platforma poate începe să îți recomande thrillere psihologice, filme science-fiction complexe sau titluri cu structuri narative asemănătoare. La fel, cine termină o serie de filme de acțiune precum John Wick va primi, cel mai probabil, recomandări de filme cu un ritm similar sau cu protagoniști solitari.

Partea interesantă este că acest mecanism nu se limitează la filme și seriale. Sistemele de tip „Recomandări pentru tine” sunt prezente în tot ecosistemul digital: pe platformele de muzică, în rețelele profesionale și pe rețelele sociale apar secțiuni de tip „sugerate” sau „recomandate”. Nici jocurile online nu sunt străine de acest tip de instrumente. Dacă ne uităm la cazinourile online incluse în clasamentul realizat de experții Legalbet, disponibil pe https://legalbet.ro/cazinouri/, un ghid independent al operatorilor legali, devine clar că secțiunile cu jocuri recomandate sunt disponibile pe toate aceste platforme.

Logica acestui mecanism de recomandare este aceeași în toate domeniile: încearcă să reducă timpul de căutare manuală printr-o selecție făcută în prealabil de sistem. În spatele acestei selecții aparent simple se află însă ani de evoluție tehnică și schimbări importante în modul de recomandare a conținutului.

Cum au evoluat motoarele de recomandare

Motoarele de recomandare au pornit de la modele clasice, bazate pe reguli simple de similitudine între utilizatori sau între produse. Din această primă etapă s-au conturat concepte precum filtrarea colaborativă și filtrarea bazată pe conținut.

Filtrarea colaborativă pornește de la ideea că, dacă doi utilizatori au arătat gusturi asemănătoare în trecut, sistemul îi poate recomanda unuia conținuturi care i-au plăcut celuilalt. Filtrarea bazată pe conținut, în schimb, nu se concentrează pe datele unor terți, ci pe caracteristicile titlurilor alese anterior de utilizatorul respectiv. Astfel, o persoană care urmărește constant filme de Quentin Tarantino ar putea începe să primească recomandări de filme crime/thriller, cu dialoguri rapide și umor negru, în timp ce cineva care consumă filme din universul Marvel va vedea mai multe titluri cu supereroi, science-fiction și francize cu bugete mari.

Ulterior au apărut sistemele hibride, care combină cele două metode pentru a face sugestiile mai precise și pentru a reduce o parte dintre limitările lor. Aceste modele îmbină filtrarea colaborativă, analiza conținutului și semnalele contextuale, ceea ce le permite să gestioneze mai bine probleme clasice, precum lipsa informațiilor inițiale despre utilizator sau dependența prea mare de titlurile populare.

Ce analizează, de fapt, un algoritm de recomandare

Uneori, aceste motoare sunt privite ca un fel de intuiție digitală misterioasă. În realitate, nu sunt. Ele lucrează cu semnale destul de concrete. Unele platforme de streaming le rezumă într-un mod destul de clar: interacțiunile cu serviciul, istoricul de vizionare, evaluările, asemănările cu alți utilizatori, informațiile despre titluri, limba preferată, dispozitivul de pe care urmărești conținutul, timpul de vizionare și chiar ora din zi. De asemenea, clarifică un lucru relevant: de multe ori, date demografice precum vârsta sau genul nu sunt folosite în procesul de decizie.

Privit mai simplu, sistemul combină cel puțin patru elemente de bază:

•       ce ai urmărit sau ai căutat înainte;

•       ce au apreciat persoane cu obiceiuri asemănătoare;

•       caracteristicile conținutului: gen, distribuție, ton, an, etichete;

•       contextul în care urmărești conținutul: ora, limba, dispozitivul sau durata sesiunii.

Dacă un utilizator obișnuiește să abandoneze dramele lente după douăzeci de minute, dar termină aproape întotdeauna thrillere polițiste sau filme horror urmărite seara, sistemul învață rapid ce tip de conținut îi menține atenția mai mult timp.

Astfel, sistemul încearcă să răspundă la o întrebare esențială: ce ți-ai dori, cel mai probabil, să urmărești chiar acum.

Avantajele și dezavantajele motoarelor de recomandare

Motoarele de recomandare au avantaje clare atât pentru platformă, cât și pentru utilizator. Din perspectiva utilizatorului, experiența devine mai comodă și mai personalizată, pentru că timpul de căutare scade, iar filmele sau serialele sugerate au șanse mai mari să se potrivească gusturilor sale.

Pentru platformă, aceste sisteme ajută utilizatorii să petreacă mai mult timp în aplicație, să exploreze mai mult catalogul disponibil și să aibă mai puține motive să renunțe la abonament. Nu întâmplător, motoarele de recomandare au devenit o componentă esențială a streamingului de astăzi: atunci când sunt bine calibrate, îmbunătățesc experiența de utilizare și susțin, în același timp, o parte importantă a modelului de business.

Există însă și limitări. Un sistem de recomandare poate lucra doar cu informațiile pe care le are deja, așa că nu reușește întotdeauna să propună ceva cu adevărat nou sau surprinzător. Aici apare și așa-numita problemă a „pornirii la rece”: atunci când un utilizator este nou pe platformă sau când un film are un istoric foarte redus, motorul nu dispune încă de suficiente informații pentru a face recomandări precise.

În plus, aceste sisteme pot deveni părtinitoare, favorizând prea mult conținutul deja popular și împingând în plan secund titlurile mai puțin cunoscute. Astfel, mulți utilizatori pot ajunge să vadă mereu producții mari sau titluri promovate intens, în timp ce filme independente, cinema clasic sau producții străine rămân ascunse în catalog, chiar dacă au cronici foarte bune.

Mai există și un punct sensibil: pentru a funcționa bine, algoritmii de recomandare au nevoie de date despre comportamentul utilizatorilor, ceea ce ridică inevitabil întrebări legate de confidențialitate, monitorizare și folosirea informațiilor personale. Cu alte cuvinte, acești algoritmi sunt foarte utili, dar nu sunt nici neutri, nici infailibili.

Ce decide motorul de recomandare și cum influențează ceea ce vezi

Pentru a înțelege mai bine cât de mult intervin motoarele de recomandare în experiența ta, merită să vedem, pe scurt, ce părți ale platformei sunt personalizate și cum îți pot influența alegerile.

Atunci când analizezi recomandările sistemului pentru a alege următorul film pe care îl vei urmări, e bine să ții cont de câteva lucruri:

•       Privește critic opțiunile de autoplay și listele de tip „vezi mai târziu”.

 •       Caută din când în când și prin filtrele de căutare, nu doar prin pagina principală. Uneori merită să cauți manual categorii precum „cinema clasic”, „filme premiate cu Oscar” sau „cinema asiatic”, deoarece multe dintre aceste titluri nu apar într-un loc vizibil pe pagina principală.

 •       Nu confunda „recomandat pentru tine” cu „sigur îmi va plăcea”.

 •       Verifică și categorii noi, mai puțin evidente sau îndepărtate de obiceiurile tale.

În felul acesta, poți găsi opțiuni noi pe care sistemul nu ți le recomandă implicit, dar care te-ar putea interesa. Cu alte cuvinte, poți avea mai mult control asupra a ceea ce decizi să vezi în continuare.

Decizia finală îți aparține în continuare

Motorul de recomandare a devenit atât de cotidian, încât aproape că pare invizibil. Și totuși, organizează o mare parte din experiența noastră cu filmele și serialele în streaming. Decide ce titluri ajung primele în fața ochilor noștri, cu ce imagine o fac și în ce moment exact par potrivite.

 De aceea, influențează direct ceea ce vedem în continuare. Nu acționează ca un critic, nici ca un prieten și nici ca un programator TV clasic. Acționează ca un amestec de memorie, analiză de date și vitrină personalizată. Iar atunci când funcționează bine, reușește ceva important: să ne facă să alegem un film care, cel mai probabil, ne va plăcea. Decizia finală rămâne întotdeauna a noastră, chiar dacă, în realitate, sistemul ne ghidează treptat încă din momentul în care deschidem aplicația.