19/01/2026
Netflix เก็บ "กดข้าม กดหยุด ดูไม่จบ"
จนประหยัดได้ หมื่นล้าน
ร้านคุณเริ่มจากแยกลูกค้า
"ถามราคา ดูแล้วไม่ซื้อ กลับมาซื้อซ้ำ" ก็ได้
(อธิบายด้วย Personalization at Scale
ที่ธุรกิจเล็กก็เอาไปใช้ได้)
เมื่อเราเปิด Netflix ทุกครั้ง สิ่งที่เราเห็นบนหน้าจอจะไม่เหมือนกับคนอื่น แม้แต่คนในบ้านเดียวกัน หน้าจอของคุณอาจเต็มไปด้วยหนังแอ็คชั่นและซีรีส์สืบสวน ขณะที่หน้าจอของคนข้างบ้านอาจเต็มไปด้วยหนังโรแมนติกคอมเมดี้และสารคดีธรรมชาติ
นี่ไม่ใช่เรื่องบังเอิญ แต่เป็นผลจาก "Personalization at Scale" หรือการปรับแต่งประสบการณ์ส่วนบุคคลในระดับมหาศาล ที่ Netflix พัฒนาขึ้นมาเพื่อให้ผู้ใช้งานแต่ละคนได้รับคำแนะนำที่เหมาะสมที่สุด
จุดนี้เองที่ทำให้ Netflix กลายเป็นผู้นำในธุรกิจสตริมมิ่งวิดีโอ และมีผู้ใช้งานทั่วโลกมากกว่า 280 ล้านคนในปัจจุบัน
จุดเริ่มต้นของการปรับแต่งเนื้อหาใน Netflix
ก่อนที่ Netflix จะกลายเป็นแพลตฟอร์มสตริมมิ่งอย่างทุกวันนี้ บริษัทนี้เริ่มต้นเป็นธุรกิจให้เช่า DVD ทางไปรษณีย์ในปี 1997
ตอนนั้น Reed Hastings ผู้ก่อตั้ง Netflix มีปัญหาคือลูกค้าต้องเลือกหนังเองจากรายการที่มีหลายพันเรื่อง ซึ่งทำให้เกิดความสับสนและลูกค้าใช้เวลานานในการตัดสินใจ
ปี 2000 Netflix จึงเริ่มพัฒนาระบบแนะนำหนังโดยใช้ข้อมูลการเช่า DVD ของลูกค้า เพื่อคาดเดาว่าลูกค้าแต่ละคนน่าจะชอบหนังแบบไหน
แต่จุดเปลี่ยนที่แท้จริงเกิดขึ้นในปี 2006 เมื่อ Netflix ประกาศจัดการแข่งขัน "Netflix Prize" โดยเสนอเงินรางวัล 1 ล้านดอลลาร์สหรัฐ หรือประมาณ 36 ล้านบาท ให้กับทีมใดก็ตามที่สามารถพัฒนาอัลกอริทึมแนะนำหนังที่แม่นยำกว่าระบบเดิมของ Netflix อย่างน้อย 10%
การแข่งขันนี้ดึงดูดนักพัฒนาและนักวิทยาศาสตร์ข้อมูลจากทั่วโลกมากกว่า 40,000 ทีม และใช้เวลาเกือบ 3 ปีจึงมีทีมที่ชนะ
ผลจากการแข่งขันนี้ไม่ได้เป็นแค่อัลกอริทึมที่ดีขึ้น แต่ทำให้ Netflix เรียนรู้ว่าการปรับแต่งเนื้อหาสามารถเพิ่มความพึงพอใจของลูกค้าได้อย่างมีนัยสำคัญ
ตามรายงานของ McKinsey & Company ระบุว่าระบบแนะนำของ Netflix ช่วยลดการยกเลิกบริการ (Churn Rate) ได้ถึง 15% และช่วยประหยัดค่าใช้จ่ายในการหาลูกค้าใหม่ได้ปีละกว่า 1,000 ล้านดอลลาร์สหรัฐ หรือประมาณ 36,000 ล้านบาท
กลไกของ Personalization at Scale ใน Netflix
Netflix ใช้ข้อมูลจากพฤติกรรมของผู้ใช้งานมากกว่า 280 ล้านคนทั่วโลก เพื่อสร้างระบบแนะนำที่แม่นยำและเป็นส่วนตัว
ทุกการกระทำของคุณถูกบันทึกและวิเคราะห์
Netflix เก็บข้อมูลเกือบทุกอย่างที่ผู้ใช้งานทำบนแพลตฟอร์ม ไม่ว่าจะเป็น
•เนื้อหาที่คุณดู เมื่อไหร่ ดูนานแค่ไหน และดูจบหรือไม่
•เนื้อหาที่คุณกด pause, rewind หรือ fast forward ตรงไหน
•เนื้อหาที่คุณค้นหา แต่ยังไม่ได้ดู
•เนื้อหาที่คุณให้คะแนน thumbs up หรือ thumbs down
•เนื้อหาที่คุณเลื่อนดูผ่านไป โดยไม่ได้คลิกเข้าไปดู
•อุปกรณ์ที่คุณใช้ดู (TV, มือถือ, แท็บเล็ต)
•วันและเวลาที่คุณดู
•ภาษาคำบรรยายที่คุณเลือก
นอกจากนี้ Netflix ยังเก็บข้อมูลเชิงลึกอื่น ๆ เช่น ถ้าคุณดูหนังเรื่องหนึ่งไม่จบ แต่กลับมาดูต่อในวันถัดไป แสดงว่าเนื้อหานั้นน่าสนใจพอที่จะทำให้คุณกลับมา หรือถ้าคุณดูซีรีส์ทีละหลายตอนติดกัน (Binge-watching) แสดงว่าเนื้อหานั้นดึงดูดมาก
อัลกอริทึม Machine Learning ที่ทำงานอยู่เบื้องหลัง
ระบบเรียนรู้และปรับตัวตลอดเวลา Netflix ใช้อัลกอริทึม Machine Learning หลายชั้นเพื่อวิเคราะห์ข้อมูลเหล่านี้ โดยแบ่งออกเป็น 3 ระดับหลัก
ระดับที่ 1: Collaborative Filtering
เป็นการเปรียบเทียบพฤติกรรมของคุณกับผู้ใช้งานคนอื่นที่มีรสนิยมคล้ายกัน
ตัวอย่างเช่น ถ้าคุณและผู้ใช้งานอีก 1,000 คนดูหนัง A, B, C เหมือนกัน และผู้ใช้งาน 1,000 คนนั้นส่วนใหญ่ดูหนัง D ด้วย ระบบก็จะแนะนำหนัง D ให้กับคุณ
ระดับที่ 2: Content-Based Filtering
เป็นการวิเคราะห์คุณลักษณะของเนื้อหาที่คุณดู เช่น ประเภทหนัง นักแสดง ผู้กำกับ ปีที่ออกฉาย หรือแม้แต่สี mood และอารมณ์ของหนัง
Netflix จ้างทีมงานเฉพาะที่เรียกว่า "Taggers" เพื่อดูและติดแท็กคุณลักษณะของเนื้อหาแต่ละเรื่องอย่างละเอียด มีการติดแท็กมากกว่า 1,000 รายการต่อเนื้อหา 1 เรื่อง
ระดับที่ 3: Deep Learning
เป็นการใช้ AI ที่ซับซ้อนขึ้นเพื่อหารูปแบบที่ซ่อนอยู่ในข้อมูล
ตัวอย่างเช่น ระบบอาจพบว่าผู้ใช้งานที่ดูหนังประเภทหนึ่งในช่วงเช้าวันเสาร์ มักจะดูหนังอีกประเภทหนึ่งในช่วงเย็นวันอาทิตย์ ซึ่งเป็นรูปแบบที่มนุษย์อาจไม่เคยสังเกต
การทดสอบแบบ A/B Testing อย่างต่อเนื่อง
ทดสอบและปรับปรุงทุกวัน Netflix ทำการทดสอบ A/B Testing มากกว่า 250 ครั้งต่อปี เพื่อหาวิธีที่ดีที่สุดในการแสดงเนื้อหาให้กับผู้ใช้งาน
ตัวอย่างเช่น Netflix พบว่าผู้ใช้งานมีแนวโน้มที่จะคลิกดูเนื้อหามากขึ้น ถ้ารูปปกแสดงตัวละครหลักอย่างชัดเจน แทนที่จะเป็นฉากหรือภาพรวม จึงเกิดเป็นระบบที่เรียกว่า "Personalized Thumbnails" ที่แสดงรูปปกที่แตกต่างกันให้กับผู้ใช้งานแต่ละคน
ถ้าคุณชอบดูหนังแอ็คชั่น ระบบอาจแสดงรูปปกของหนังโรแมนติกคอมเมดี้ที่มีฉากแอ็คชั่นอยู่ด้วย แทนที่จะแสดงฉากโรแมนติก ตามรายงานของ Netflix ระบุว่าการปรับแต่งรูปปกนี้ช่วยเพิ่มอัตราการคลิกดูได้ถึง 20-30%
ผลลัพธ์ที่เกิดขึ้นจาก Personalization at Scale
การลงทุนใน Personalization ของ Netflix ไม่ได้เป็นแค่เรื่องของเทคโนโลยี แต่ส่งผลต่อธุรกิจอย่างเป็นรูปธรรม ผู้ใช้งานดูเนื้อหามากขึ้นและนานขึ้น 80% ของเนื้อหาที่ถูกเลือกดูมาจากระบบแนะนำ ตามรายงานของ Netflix ระบุว่า 80% ของเนื้อหาที่ผู้ใช้งานเลือกดูมาจากระบบแนะนำ มีเพียง 20% เท่านั้นที่มาจากการค้นหาเอง
นี่แสดงให้เห็นว่าระบบแนะนำทำงานได้ดีมาก จนผู้ใช้งานเชื่อใจและพึ่งพาระบบแทนที่จะต้องค้นหาเอง
นอกจากนี้ ระบบแนะนำยังช่วยให้ผู้ใช้งานค้นพบเนื้อหาที่หลากหลายมากขึ้น ไม่ติดแค่เนื้อหายอดนิยม แต่รวมถึงเนื้อหาเฉพาะกลุ่ม (Niche Content) ที่อาจไม่โด่งดัง แต่เหมาะกับรสนิยมของผู้ใช้งานบางกลุ่ม
และเมื่อผู้ใช้งานพอใจและอยู่กับ Netflix นานขึ้น ตามรายงานของ Parks Associates ระบุว่า Netflix มีอัตราการยกเลิกบริการ (Churn Rate) ต่ำกว่าคู่แข่งอย่าง Amazon Prime Video, Disney+ และ HBO Max
ในปี 2023 Netflix มี Churn Rate เพียง 2.4% ต่อเดือน ขณะที่คู่แข่งมีเฉลี่ยอยู่ที่ 4-6% ต่อเดือน นี่หมายความว่าผู้ใช้งาน Netflix มีแนวโน้มที่จะอยู่กับบริการนานกว่า เพราะพวกเขาหาเนื้อหาที่ชอบได้ง่ายและรวดเร็ว
Netflix ยังใช้ข้อมูลจากระบบแนะนำเพื่อตัดสินใจว่าควรผลิตเนื้อหาประเภทไหน ตัวอย่างที่โด่งดังคือซีรีส์ "House of Cards" ที่ Netflix ตัดสินใจลงทุนผลิตในปี 2013
การตัดสินใจนี้ไม่ได้มาจากสัญชาตญาณ แต่มาจากข้อมูลที่พบว่า
•ผู้ใช้งานที่ชอบหนังของผู้กำกับ David Fincher มักดูจบ
•ผู้ใช้งานที่ชอบนักแสดง Kevin Spacey มักให้คะแนนสูง
•ซีรีส์ทางการเมืองแนววางแผนได้รับความนิยมสูง
จากข้อมูลเหล่านี้ Netflix จึงมั่นใจว่า House of Cards จะประสบความสำเร็จ และยินดีลงทุน 100 ล้านดอลลาร์สหรัฐ หรือประมาณ 3,600 ล้านบาท สำหรับซีซั่นแรก โดยไม่ต้องทำตอนนำร่อง (Pilot Episode)
ผลลัพธ์คือ House of Cards กลายเป็นซีรีส์ที่ประสบความสำเร็จอย่างมาก และเป็นจุดเริ่มต้นให้ Netflix กลายเป็นผู้ผลิตเนื้อหาต้นฉบับที่สำคัญ
สร้างรายได้และเติบโตอย่างต่อเนื่อง
ผลประกอบการที่เติบโตจากการเข้าใจลูกค้า
ตามรายงานล่าสุดของ Netflix ในปี 2024 บริษัทมีรายได้ 35,473 ล้านดอลลาร์สหรัฐ หรือประมาณ 1.27 ล้านล้านบาท
สูงกว่าปี 2023 ที่มีรายได้ 33,723 ล้านดอลลาร์สหรัฐ และสูงกว่าปี 2022 ที่มีรายได้ 31,616 ล้านดอลลาร์สหรัฐ
ในปี 2024 Netflix มีผู้ใช้งานทั่วโลกมากกว่า 280 ล้านคน เพิ่มขึ้นจากปี 2023 ที่มี 260 ล้านคน และปี 2022 ที่มี 230 ล้านคน
ที่สำคัญคือ Netflix มีกำไรสุทธิในปี 2024 อยู่ที่ 5,408 ล้านดอลลาร์สหรัฐ หรือประมาณ 194,688 ล้านบาท แสดงให้เห็นว่าธุรกิจเติบโตอย่างมีกำไร
.
นี่คือเหตุผลที่ Netflix ไม่ใช่แค่แพลตฟอร์มสตริมมิ่งธรรมดา แต่เป็นบริษัทเทคโนโลยีที่ใช้ข้อมูลและ AI เพื่อสร้างประสบการณ์ส่วนบุคคลให้กับผู้ใช้งานทุกคน ในระดับที่ไม่เคยมีใครทำได้มาก่อน
เขียนและเรียบเรียงโดย 100WEALTH
———
100WEALTH l ไปให้ถึง100ล้าน
#ไปให้ถึง100ล้าน