my image

„Bühne“


11.11.2024

Die „Bühne“ auf der Startseite der ZDFmediathek ist das Eintrittsfenster in die ZDF-Welt und das erste, was unsere Nutzer:innen dort gezeigt bekommen. Entsprechend hoch ist die Sichtbarkeit der dort platzierten Inhalte. 

Wie auch bei dem Anwendungsfall Next-Video werden über die „Bühne“ sowohl algorithmische, als auch redaktionelle Empfehlungen ausgespielt. Letztere betreffen vor allem sehr neue oder sensible Inhalte und ermöglichen es der Redaktion, den Fokus auf ein bestimmtes Thema oder Inhalt zu legen. Im Moment (am 11.11.2024) werden algorithmische Empfehlungen nur auf Bühnenpositionen 4 und 5 ausgespielt, während alle anderen Positionen redaktionell besetzt werden. Weil unsere Nutzer:innen erfahrungsgemäß Empfehlungen der vorderen Positionen - und damit redaktionell bestimmte Inhalte - häufiger nutzen, sind die Sehvolumen- und Klick-Zahlen algorithmisch ausgespielter Empfehlungen vergleichsmäßig gering.

Der Algorithmus zur Berechnung segmentbasierter Empfehlungen wird fortlaufend optimiert und hat das Ziel, Sehvolumen und Novelty zu steigern. Für Stammnutzer:innen (eingeloggt und mit Nutzungshistorie) sollen Empfehlungen eine hohe Serendipity aufweisen, was durch Exploration ermöglicht wird. Diese führt zudem bei unbekannten Nutzer:innen zu einer hohen Diversity.

Die technische Implementierung ist unter Bühne: Model Card beschrieben.

Nutzer:innen-Segmente

Der Anwendungsfall „Bühne“ spielt Empfehlungen segmentbasiert aus. Anstelle einer individuellen Empfehlung werden Nutzer:innen nach ihren Hauptinteressen in der ZDFmediathek in unterschiedliche Segmente gruppiert. Der Algorithmus lernt, welche Inhalte in einem Segment häufig genutzt werden und empfiehlt dementsprechend Passendes an alle Mitglieder der jeweiligen Gruppe.

Eine gute Gruppierung ist essenziell für die Arbeitsweise dieses Anwendungsfalls. In Absprache mit den Fachredaktionen wird die Rubrik eines Inhaltes in der ZDFmediathek als Gruppierungskriterium verwendet. Dafür wird die jeweilige Nutzungshistorie ausgewertet und die meistgeschaute Rubrik der Nutzer:in zur Segmentierung verwendet. Neue oder unbekannte Nutzer:innen ohne Nutzungshistorie werden dem Default-Segment zugeordnet. Es ist wichtig zu erwähnen, dass jedes Segment potentiell Inhalte aus jeder Rubrik ausspielen kann, jedoch die Gewichtung der Empfehlungen aus verschiedenen Rubriken in den einzelnen Segmenten variiert. Die Aufteilung der Segmente in Abhängigkeit zur meistgeschauten Rubrik aus der Nutzer:innen-Historie ist in der nachfolgenden Grafik dargestellt, wobei nach Segmenten aufgeschlüsselt wird.


Sample Image

Empfohlene Rubriken

Wie beschrieben, können alle Segmente Inhalte aus allen Rubriken ausspielen, tun dies aber mit unterschiedlicher Häufigkeit bzw. Gewichtung. Die folgende Grafik zeigt, wie häufig welches Segment welche Rubriken ausspielt. Die erste stellt dabei die aktuelle Verteilung an verfügbaren, von der Redaktion definierten Bühneninhalten dar. Wie man sieht, ist die „Bühne“ derzeit vor allem mit Dokumentationen und Serien bestückt und enthält keine Nachrichten-Inhalte.

Nicht in allen Segmenten werden derzeit Empfehlungen aus allen Rubriken ausgespielt. Zum einen liegt dies an den unterschiedlichen Nutzer:inneninteressen, zum Beispiel Nutzer:innen, die gerne häufig Sport schauen und weniger an Filmen interessiert sind, andererseits an der geringen Anzahl der empfehlbaren Inhalte. Dass nicht alle Inhalte in der „Bühne“ ausgespielt werden können, liegt aktuell aber hauptsächlich an der Datenlage: Nicht alle Inhalte haben das nötige Bildmaterial, um in der „Bühne“ angezeigt zu werden. Daran wird derzeit gearbeitet und so werden nach und nach weitere Inhalte verfügbar gemacht.

Leistungsmetriken

Relevante Leistungsmetriken für den Anwendungsfall „Bühne“ sind Sehvolumen und Klicks. Nachfolgend sind die Klicks der letzten 30 Tage im zeitlichen Verlauf dargestellt. Das Sehvolumen ist hier aktuell noch nicht aufgeführt, wird aber ergänzt. Die Klicks werden nicht in Form absoluter Zahlen gezeigt, sondern es wird das Verhältnis der Segmente untereinander und die zeitliche Veränderung dargestellt. Zu beachten ist hier, dass nicht jedes Segment für eine gleich große Gruppe an Nutzer:innen steht, sondern deren Anzahl sich deutlich voneinander unterscheidet. Deshalb lassen sich aus der Grafik nur schwer Rückschlüsse über etwaige Performanceunterschiede der einzelnen Segmente untereinander ziehen. Segmente werden nachfolgend mit S und der Nummer abgekürzt, z.B. S1 für das erste nach Nutzer:inneninteressen gruppierte Segment nach S0: Default.


Klicks auf Empfehlungen der „Bühne“ haben nur einen geringen Anteil am gesamten Sehvolumen. Das liegt unter anderem an der geringen Zahl der ausspielbaren Inhalte für dieses Empfehlungsband, wie weiter oben erläutert wird. Vor allem liegt dies an der Platzierung der algorithmischen Empfehlungen auf hinteren Bühnenpositionen, derzeit auf 4 und 5, während fordere Positionen redaktionell besetzt sind.

Public Value Metriken

Der Anwendungsfall „Bühne“ unterscheidet sich vom Konzept stark von anderen Anwendungsfällen wie zum Beispiel „Das Könnte Dich Interessieren“ und „Weil Du 'Beitrag' Geschaut Hast“, weshalb hierfür nicht alle Public Value Metriken sinnvolle Einsichten liefern. Vor allem die zwei Metriken Coverage und Diversity sind im Kontext der „Bühne“ schwierig zu interpretieren.

Coverage liefert nur wenig relevante Informationen für die Nutzer:innen, da für die „Bühne“ im Moment verhältnismäßig wenige Inhalte zur Verfügung stehen und das Intervall zwischen einzelnen Empfehlungen an eine Nutzer:in mit einer Stunde viel größer ist, als bei anderen Anwendungsfällen. Weiterhin ist das redaktionelle Konzept der „Bühne“ nicht darauf ausgerichtet, möglichst alle verfügbaren Inhalte zu empfehlen. Eine Vergleichbarkeit zu anderen Anwendungsfällen ist damit nicht gegeben. Wir entwickeln eine neue Definition von Coverage, welche speziell die Abdeckung der Bühneninhalte beschreibt. Eine Analyse dazu wird in Zukunft hier veröffentlicht.

Schwierigkeiten bei der Datenanalyse ergeben sich auch für die Metrik Diversity. Nach der Definition unterscheidet sich die Diversity erst von Null, wenn mehrere Empfehlungen gleichzeitig ausgespielt werden, was jedoch für die „Bühne“ und Segment nicht der Fall ist. Eine andere Definition ist auch hier in Planung und wird in Zukunft in tiefergehenden Analysen erläutert. Die nachfolgende Grafik zeigt nach Segmenten aufgeschlüsselte Daten für Novelty und Serendipity für die letzten 30 Tage. Zu „Auch Interessant“ werden im Moment, sofern nicht anders angegeben, nur Empfehlungen durch „Auch Interessant: Streaming-Netzwerk Dokumentation“, nicht jedoch durch „Weitere Folgen“ oder der Bereich Kultur gezeigt.

Tipp: Für Detailansicht betreffenden Bereich markieren. Doppelklick auf leere Stelle wechselt zwischen Detail- und Gesamtansicht.


Im Gegensatz zu Coverage und Diversity sind die Public Value Metriken Novelty und Serendipity relevant für die „Bühne“.

  • Eine hohe Novelty hilft dabei einem möglichen Exposure Bias entgegenzuwirken. Damit soll vermieden werden, dass Empfelungen durch die „Bühne“ nur den derzeitigen Trend abbilden. Verglichen mit den anderen Anwendungsfällen in der ZDFmediathek, scheint die Novelty nur durchschnittlich. Jedoch sind hier einige Eigenheiten des Anwendungsfalls zu berücksichtigen. Es werden nur zwei Inhalte gleichzeitig empfohlen (auf Bühnenposition 4 und 5) und diese werden nur stündlich aktualisiert (pro Segment), weniger und kürzer als bei den meisten anderen Anwendungsfällen. Weiterhin sind durch die geringe Anzahl der verfügbaren Inhalte (ca. 400), wiederkehrende Empfehlungen nicht zu vermeiden. Deshalb ist diese Metrik nicht direkt mit anderen Anwendungsfällen vergleichbar uns ist hier nur zur Vollständigkeit dargestellt. Mit steigender Anzahl an möglichen Empfehlungen erwarten wir eine Verbesserung dieser Metrik für die Bühne.
  • Die Serendipity ist essenziell für diesen Anwendungsfall, da diese Metrik die redaktionellen Vorgaben der „Bühne“ präzise abbildet. Die Bühne soll neue Inhalte und beliebte Archivklassiker vorschlagen. Damit sollen bisher unbekannte Interessen der Stammnutzer:innen identifiziert und bedient werden. Wie erfolgreich der Algorithmus dabei ist, kann mit der Serendipity gemessen werden. Im Moment schwankt die Serendipity pro Segment stark. Dies liegt unter anderem an der geringen Anzahl empfehlbarer Inhalte, welche der „Bühne“ zur Verfügung stehen. Wir erwarten, dass die Verläufe sich mit der Zeit und mit mehr verfügbaren Inhalten glätten. Insgesamt zeigt die „Bühne“ eine sehr hohe Serendipity im Vergleich zu anderen Anwendungsfällen, was neben der Begrüßung der Nutzer:innen mit neuen und spannenden Inhalten, ihrem Zweck entspricht.

Alle Details zum Anwendungsfall sind unter Bühne: Model Card zusammengefasst.

Weitere Analysen zu Anwendungsfällen findest du im Blog.