Создаём миниатюры для видео на Ютуб (и не только) по примеру Netflix

Рубрика: Теория и статистика | Время на чтение: 5 мин.

Трунг Фан (известный журналист The Hustle; работал в сфере финансов и технологий) поделился у себя в Твиттере интересной информацией о том, как стриминговый сервис фильмов и сериалов Netflix создаёт свои миниатюры.

Создаём миниатюры для видео на Ютуб (и не только) по примеру Netflix

А спонсором блога в этом месяце выступает сервис Rookee. Когда требуется комплексное поисковое продвижение, контекстная реклама на автопилоте или формирование репутации в сети – на помощь приходят Rookee!

Среднестатистический пользователь Netflix просматривает контент приложения в течение 90 секунд и уходит, если ничего не нашёл за это время.

Миниатюры (thumbnail; превью) — самый эффективный рычаг влияния NFLX на выбор зрителя. На каждую из них пользователь смотрит всего лишь 1.8 секунды, поэтому компания тратит огромные средства на оптимизацию этих элементов.

И вот как это происходит.

Оглавление

Как Netflix оптимизирует миниатюры для видео

Спойлер: люди — визуальные животные.

Чтобы эффективно обрабатывать информацию, наши глаза двигаются 3-4 раза в секунду. Мы можем проанализировать изображение всего за 13 миллисекунд.

В 2014 году исследование потребителей Netflix показало, что миниатюры:

являются наиболее важным фактором, влияющим на просмотр контента;
притягивают к себе внимание пользователя на протяжении 82% от всего времени поиска.

Эстетико-визуальный анализ

Netflix использует сложный процесс выбора миниатюр для каждого из своих 200 миллионов пользователей. Этот процесс называется эстетическим визуальным анализом (aestethic visual analysis или AVA). Начинается он с извлечения всех кадров из видео (для справки: часовой эпизод сериала «Очень странные дела» содержит 86,000 кадров).

В процессе, известном как «аннотирование кадров», каждый кадр помечается метаданными, определяющими ключевые переменные:

чёткость;
номер кадра;
яркость и контрастность;
вероятность наготы;
лицо и тон кожи.

Затем кадры оцениваются по следующим параметрам:

визуал (яркость, контрастность, цвет, размытость движения);
контекст (определение лица, угла съёмки);
композиция (принципы фотографии, такие как «правило третей», симметрия, глубина резкости).

Следующим шагом является «Ранжирование изображений». Тут выбираются лучшие миниатюры (наиболее вероятные для клика).

Признаки победителей:

выразительные лица;
главные герои;
яркость.

Примеры наиболее эффективных миниатюр

Для сериала «Несгибаемая Кимми Шмидт» исследование Netflix показало, что «победителем» является правый нижний кадр:

Лучшие миниатюры для сериала «Несгибаемая Кимми Шмидт»

Ещё одна выигрышная черта миниатюры для видео — хорошая локализация.

Лучшие превью (зелёная стрелка) под каждую, отдельно взятую, страну для сериала «Восьмое чувство» имели атрибуты, наиболее привлекательные для конкретного региона:

Лучшие превью для сериала «Восьмое чувство»

Интересный факт: миниатюры со злодейскими персонажами, как правило, превосходят по популярности аналоги.

Например, Netflix утверждает, что миниатюры со злодеями (зелёная стрелка) для сериала «Драконы: Гонки по краю» являются самыми кликабельными:

Наиболее кликабельные миниатюры - с изображением злодеев

И последнее открытие: Netflix обнаружил, что миниатюры с более чем 3 людьми значительно отстают по эффективности.

Компания применила эти знания при создании превью для сериала «Оранжевый — хит сезона». Во втором сезоне на миниатюре присутствует только один персонаж (по сравнению с группой людей в первом сезоне):

Миниатюра с одним персонажем эффективнее

Машинное обучение и A/B-тестирование миниатюр

Одна из причин, по которой Netflix начал создавать собственные миниатюры, заключается в том, что иллюстрации, предоставляемые студиями, не были оптимизированы для стримингового сервиса. Творческие работы, которые получал Netflix, предназначались для других носителей, например, для рекламных щитов или обложек DVD.

На самом базовом уровне Netflix применяет ML для выбора миниатюры на основе истории последних просмотров.

Возьмём для примера фильм «Умница Уилл Хантинг»:

Любители романтических комедий видят миниатюру с влюблённой парочкой.
Поклонники обычных комедий видят превью с Робином Уильямсом.

Другой пример — фильм «Криминальное чтиво»:

Фанаты Умы Турман получают миниатюру с актрисой.
Поклонники Джона Траволты получают миниатюру с актёром.

Неудивительно, что Netflix также проводит A/B-тестирование миниатюр, которые показывает пользователям. Изображения постоянно меняются внутри сервиса. Вот пример тестирования миниатюр для фильма «Короткая игра»:

Проблемы алгоритмического подхода к созданию превью

Как и в случае с любыми алгоритмами, результаты тут могут быть неоднозначными. В 2018 году компанию обвинили в создании обложек на основе расовой принадлежности.

Для фильма «Как отец», в котором большинство составляли европеоиды, одному чернокожему пользователю было предложено изображение с чернокожими. Netflix тогда заявила, что создаёт иллюстрации только на основе истории просмотров (а не демографических данных).

Более безобидным примером оптимизации миниатюр является демонстрация трендовых актёров и актрис для контента, в котором они сыграли второстепенную роль.

Проблемы алгоритмического подхода к созданию превью

Миниатюры для видео — ещё не всё

Не стоит думать, что повысив эффективность обложек своих видео на том же Ютубе, вы в час обретёте всемирную известность.

Возьмём для примера нашумевшую «Игру в кальмара». Многие из существующих на сегодняшний день обложек этого сериала не соответствуют ни одному правилу, о которых говорилось выше.

Вот парочка экземпляров (другие вы можете сами найти в Google):

Пример обложек сериала «Игра в кальмара»

А тем временем, «Игра в кальмара» стала самым популярным оригинальным сериалом Нетфликс. Так что не стоит забывать про содержание, концентрируясь на обёртке.

Заключительный интересный факт: доход Netflix на одного сотрудника составляет безумные $2,600,000. Это больше чем у Apple ($2 млн.), Alphabet ($1.4 млн.) или Microsoft ($877 тыс.).

Источник информации: twitter.com/TrungTPhan.