メインコンテンツへジャンプ
導入事例

AI の活用でヒット番組を配信

6 倍

データパイプラインの高速化による意思決定の迅速化

PLATFORM USE CASE: Machine Learning,ETL
CLOUD: AWS

コンテンツにおける視聴者の要求が高まっており、期待に応えられないプロバイダーからは直ちに視聴者離れが起きてしまいます。米 Showtime 局では、顧客のエンゲージメントとロイヤルティを確保するために、データを活用したコンテンツ戦略を推進していましたが、既存システムの拡張性の制限と非効率なデータパイプラインに悩まされていました。Databricksのプラットフォームを利用することで、消費者の行動を把握し、プログラミングやコンテンツに反映させ、エンゲージメントを高めながら解約を減らすことができるようになりました。

従来型システムが特徴量実運用化の妨げに

Showtime 局のデータ戦略部門は、組織全体におけるデータと分析の民主化に注力しています。膨大な視聴者データ(視聴した番組、時間帯、使用したデバイス、サブスクリプション履歴など)を収集し、機械学習を利用して視聴者の行動を予測し、番組構成や配信スケジュールを改善します。しかし、従来型のテクノロジーおよびアーキテクチャでは、高度なデータサイエンスの活用が困難でした。

  • インフラの複雑さ:柔軟性があり、かつ、定期的なメンテナンスが不要なインフラを必要としていた。

  • 非効率な機械学習パイプライン:機械学習モデルの開発、トレーニング、展開のプロセスは手作業が多く、エラーが発生しやすいため、新しいモデルの実用化に遅れが生じていた。

機械学習の活用でスマートなコンテンツ構成

Databricks Unified Analytics Platform はフルマネージド型のサービスを Showtime に提供して、データエンジニアリングを大幅に簡素化し、データサイエンスチームの生産性を向上させました。Showtime 局では、Databricks の導入によって豊富なデータを活用した洞察抽出が可能になり、視聴者エンゲージメントの向上と解約率の低減に成功しています。

  • インフラの自動化:フルマネージド型のサーバーレスなクラウドインフラストラクチャによる、スピード、コスト管理、弾力性の改善。

  • インタラクティブなワークスペース:チーム間の連携や異なるプログラミング言語間でのコラボレーションがシームレスになり、データサイエンスの生産性が向上。

  • 機械学習ライフサイクルの合理化:MLflow を利用することで、機械学習ライフサイクル全体を合理化。

データ分析、データサイエンスのイノベーションを加速

Databricks は、Showtime 局の組織全体におけるデータと機械学習の民主化を支援し、データをより積極的に活用する企業文化の醸成に寄与しています。

  • パイプラインを 6 倍高速化:データパイプラインの高速化により、これまで 24 時間以上かかっていた作業が 4 時間未満で完了するようになり、より迅速な意思決定が可能になった。

  • インフラの複雑さを排除:自動クラスタ管理機能を備えたフルマネージド型クラウドプラットフォームにより、データサイエンス部門は、ハードウェア構成、クラスタのプロビジョニング、デバッグなどに煩わされることなく、機械学習に集中できるようになった。

  • 加入者体験の革新:データサイエンスの共同作業と生産性の向上により、新しいモデルおよび機能の市場投入までの時間が短縮されました。チームはより迅速に実験を行うことができ、これにより加入者にとってより優れ、パーソナライズされた体験を創出できるようになりました。