數據驅動決策：以Netflix為例

一、 數據驅動決策

數據驅動決策（Data-Driven Decision Making，DDDM）是指在實務上基於數據分析，而非純粹憑直覺所進行決策[1]。其中，A/B測試（A/B Testing）即為數據驅動決策的方法之一。A/B測試是一種隨機的測試，將兩種以上的版本進行比較，其中版本A可能是目前版本，版本B是期望可優化的版本。最常使用的方式為頁面設計，看受測者對於兩種不同版本的反應有何差異，從而判斷哪種方式的轉換率較佳。

二、 Netflix所進行的A/B 測試

Netflix透過網頁或應用程式所呈現的頁面，進行大量的A/B測試。

(一)測試方法

對於Netflix而言，他們的競爭對手絕不僅止於同為OTT產業的公司。但凡能讓使用者分心的事情，像是社群媒體的資訊，或是遊戲，只要是能讓消費者達到娛樂性質消遣的目的，都可以讓消費者快速從Netflix轉移到其他地方。

而對使用者來說，判斷有沒有興趣看影片的一項關鍵因素，就是一張張影片的縮圖，影片縮圖是使用者第一眼注意的地方，所以，如何設計出吸引人的影片縮圖就非常重要。也因此，Netflix不斷在縮圖上進行鑽研。

Netflix在頁面的呈現上作了許多有趣的A/B測試，Netflix的視覺設計師在頁面上大量設計不同版本的海報，來分析轉換率的差異。測試的內容包含呈現的角色、角色的數量，與角色的表情等，如圖1所示。

(二)測試結果

Netflix從測試中得到了幾項結論。首先是感情豐富的表情更能吸引使用者。人臉與表情更容易讓使用者引起反應，尤其是表情可以讓使用者感受到這部影片的風格與氣氛，從而判斷是否要觀看這部影片。其次是性格分明的角色，像是反派角色，反而比單純正面陽光的角色更能吸引注意力。尤其是觀眾能夠認出來的反派角色能夠有效激起使用者的觀看影片之慾望。最後就是縮圖內的人物不可超過3名，使用者容易會因為縮圖過於複雜，同時無法清楚呈現每一個人物，從而降低使用者的興趣。

三、 結語

雖然本篇文章使用A/B測試作為數據驅動的案例，但仍有其注意事項與限制。像是A/B測試的設計如果本身就有問題，即便測試結果有顯著的差異，也無法找到產生差異的原因。因此，要找到哪些變數與轉換率相關，必須先知道哪些X（自變數）與Y（應變數）有因果關係，才可以更有效率地進行測試，以避免只是單純的優化網頁。

除此之外，由於大多數的時候測試結果會提供非常豐富的訊息，因此A/B測試的結果常是進行產品決策的重要資訊來源[2]。然而，A/B測試本身仍舊是從統計觀點出發，也會有統計偏誤的時候。

最後，回歸到數據驅動決策與直覺決策的差異，雖然前者比較耗時，卻具有研究與統計的精神，並且更能找出許多有別於以往決策者沒想到的變數。舉例來說，Netflix沒想到原來個性鮮明的反派角色，可能比正派角色更受歡迎。此點說明，雖然根據過往經驗所進行的決策通常較為迅速，但卻容易因為缺乏數據的支持，而產生決策上的認知偏差。

作者：李蓓儒（臺灣行銷研究特約作者）、羅凱揚（台科大企管系博士）

繪圖者：李蓓儒

[1] Provost, F., & Fawcett, T. (2013). Data science and its relationship to big data and data-driven decision making. Big data, 1(1), 51–59.

[2] Gomez-Uribe, C. A., & Hunt, N. (2015). The netflix recommender system: Algorithms, business value, and innovation. ACM Transactions on Management Information Systems (TMIS), 6(4), 1–19.