美國媒體與娛樂2009 – 進行中Netflix
推薦與個人化系統
推薦系統帶動 Netflix 約 80% 的觀看時數，Netflix 估計其每年價值超過 10 億美元
問題
串流訂戶若無法迅速找到想看的內容，可能停止使用服務並取消訂閱。Netflix 片庫規模過大，會員難以逐一瀏覽，每流失一名訂戶，就必須吸引一名新訂戶補足。
做法
Netflix 自行開發一系列演算法，負責首頁片名排序、建立個人化橫列、挑選相似作品、選擇宣傳圖像，以及支援搜尋。公司從 DVD 時代與 Netflix Prize 競賽著重的星級評分預測，轉向以串流觀看行為為基礎的模型，並透過衡量訂戶留存與中期參與程度的 A/B 測試，驗證各項調整。
主要數據
~80%推薦系統影響觀看選擇的串流時數占比
$1B+個人化與推薦系統帶來的估計年度節省金額，主要來自訂戶流失減少
啟示
Netflix 以推薦系統避免的退訂來估算其價值，未衡量直接銷售額。10 億美元是 Netflix 於 2015 年自行提出的估計。
分類
來源
來源摘要
[1]ACM Transactions on Management Information Systems2015年12月28日
Netflix 的 Carlos Gomez-Uribe 與 Neil Hunt 說明服務推薦功能背後的演算法，以及公司如何以 A/B 實驗進行測試。兩人指出，推薦影響約 80% 的串流觀看時數，其餘 20% 來自搜尋。他們表示，個人化已使每月訂戶流失率降低數個百分點，並估計綜合效益每年超過 10 億美元。
[2]Tubefilter2016年6月20日
Tubefilter 報導兩名 Netflix 主管提出的每年 10 億美元估計，並說明節省金額主要來自留住訂戶。作者指出，這項估計缺乏確切數據支持，可能略有高估。
詳細內容請參閱原始資料。
收錄日期 2026年10月25日 · 更新日期 2026年10月25日
