„Auch Interessant“

Der Anwendungsfall „Auch Interessant“ ist auf einer Beitragsseite eingebunden und empfiehlt Nutzer:innen ähnliche Beiträge zu dem Inhalt des Referenzbeitrags. Der Algorithmus wird hauptsächlich auf eine Steigerung des Sehvolumens optimiert. Als erster Anwendungsfall seit dem Start für gemeinsame Empfehlungen der Mediatheken von ZDF und ARD am 20. März 2023, spielt „Auch Interessant“ Empfehlungen sowohl für ARD- als auch ZDF-Beiträge aus. Anfang Oktober wurden die meisten Rubriken der ZDFmediathek in das Streaming-Netzwerk eingebunden.

Der Anwendungsfall „Auch Interessant“ besteht aus zwei Empfehlungsbändern: „Weitere Folgen“ und „Streaming-Netzwerk“. Das erste Band spielt regelbasiert weitere Episoden aus der Reihe des Referenzbeitrags aus, im oberen Beispiel aus der Doku-Reihe „Die Planeten“. Das zweite Band spielt sowohl thematisch ähnliche ZDF- als auch ARD-Inhalte aus, zum Beispiel aus den Rubriken Filme, Dokus, Serien, Kultur oder Kinder. Alle folgenden Abbildungen beinhalten, soweit nicht anders beschrieben, Daten aus beiden Bändern zusammen, beziehungsweise zeigen einen gewichteten Mittelwert.

Auf Basis einer gemeinsamen Vereinbarung von ARD und ZDF wurden zur Wahrung der Interessen des jeweiligen Plattform-Betreibers für die gemeinsamen Empfehlungen folgende Regelungen umgesetzt:

• gemeinsame Empfehlungen im „Streaming-Netzwerk“ Band
• ARD Inhalte dürfen erst ab dritter Position im Band empfohlen werden
• es dürfen Maximal ein Drittel ARD-Inhalte im „Streaming-Netzwerk“ Band empfohlen werden

Relevanz für die ZDFmediathek

Die nachfolgende Abbildung zeigt die Anteile von gesehenen Minuten des Anwendungsfalls „Auch Interessant“ im Streaming-Netzwerk am gesamten Sehvolumen der ZDFmediathek für automatisch empfohlene Inhalte der letzten 30 Tage.

Mit weiteren hinzugekommenen Rubriken, trägt das Sehvolumen für „Auch Interessant“ immer mehr zum gesamten Sehvolumen durch algorithmische Empfehlungen bei.

Leistungsmetriken

Relevante Leistungsmetriken für den Anwendungsfall „Auch Interessant“ sind das Sehvolumen und von Nutzer:innen getätigte Klicks auf die empfohlenen Inhalte. Nachfolgend sind beide Metriken im zeitlichen Verlauf dargestellt. Da dieser Anwendungsfall innerhalb verschiedener Rubriken empfiehlt, schlüsseln wir nach diesen getrennt auf.

Der Anwendungsfall „Auch Interessant“ trägt einen mittleren Anteil zum Gesamtsehvolumen und Klicks bei. Dieser liegt zwischen „Weil Du“ am unteren und „Das Könnte Dich Interessieren“ und „Next-Video“ ab oberen Ende der Skala. Mit der Einführung neuer Rubriken Anfang Oktober vervielfältigte sich der prozentuale Anteil von „Auch Interessant“ an Klicks und Sehvolumen aller automatisierter und personalisierter Empfehlungen. „Weitere Folgen“ tragen am meisten zu den Leistungsmetriken bei, gefolgt von den Rubriken Filme, Serien und Dokumentationen. Die Fluktuationen in der Abbildung sind vor allem bedingt durch temporale Effekte. Eine langfristige Tendenz ist durch einem starken Anstieg der relativen Leistungskennzahlen nach der Einführung von „Auch Interessant“ innerhalb neuer Rubriken deutlich zu erkennen.

Public Value Metriken

Die fünf Public Value Metriken Coverage, Novelty, Popularity, Diversity und Serendipity werden im zeitlichen Verlauf über einen Monat dargestellt. Für die Coverage zu „Next-Video“ werden nur Empfehlungen durch „Reguläres Next-Video“ berücksichtigt, während Empfehlungen durch „Next-Episode“ nicht mit einfließen. Zu „Auch Interessant“ werden, sofern nicht anders angegeben, nur Empfehlungen durch „Auch Interessant: Streaming-Netzwerk“, nicht jedoch durch „Weitere Folgen“ gezeigt.

„Auch Interessant“ soll den Nutzer:innen inhaltlich ähnliche Beiträge empfehlen, was sich in den Public-Value-Metriken widerspiegelt. Der Algorithmus empfiehlt Metadaten-basiert. Deshalb sind für uns in diesem Anwendungsfall vor allem Metriken wie Novelty oder auch Popularity interessant, da wir an diesen ablesen können, ob es zu überdurchschnittlich vielen Empfehlungen von derzeit beliebten Inhalten kommt.

• Die Coverage in den Rubriken Dokus, Filme, Serien und Kinder ist durchschnittlich und ähnlich hoch wie für den Anwendungsfall „Das Könnte Dich Interessieren“. Im Bereich Kultur ist die Coverage eher gering und auf dem Niveau von „Next-Video“, während sie für die kombinierten Rubriken Gesellschaft, Comedy und Show an die hohen Werte von „Weil Du“ heranreicht.
• Die Public Value Metrik Novelty profitiert von Streaming-Netzwerk und gemeinsamen ZDF- und ARD-Inhalten. Letztere werden erst seit Kurzem in der ZDFmediathek empfohlen und sorgen für eine größere durchschnittliche Novelty. Insgesamt ist die gewichtete Novelty verglichen mit anderen Anwendungsfällen sowohl für Dokus, als auch im Bereich Kultur überdurchschnittlich hoch. Für alle anderen Rubriken ist die Novelty durchschnittlich, mit Ausnahme von Serien, wo sie geringe Messwerte zeigt.
• Gegensätzlich zur Novelty, zeigt die Metrik Popularity die niedrigsten Werte für den Bereiche Kultur, während Doku, Kinder und Empfehlungen aus Gesellschaft, Comedy und Show eine durchschnittliche Popularity aufweisen. Empfohlene Inhalte aus den Rubriken Filme und Serien haben die höchste Popularity. Dies entspricht der Erwartungshaltung, da sich die Popularity in etwa umgekehrt zur Novelty verhält.
• Für die Diversity wird ein Wert von 0 erwartet, falls nur aus einer Rubrik empfohlen wird. Die ist sowohl für die Anwendungsfälle „Weil Du“ und „Next-Video“, als auch für „Auch Interessant: Doku“ und „Auch Interessant: Filme“ der Fall. Im Gegensatz dazu wird in den Bereichen Kultur, Serien und Kinder diverser empfohlen. Die größte Vielfältigkeit sieht man an den kombinierten Empfehlungen zu Gesellschaft, Comedy und Show.
• Die Serendipity, welche relevante und für die Nutzer:in neuartige Inhalte bemisst, ist für alle Rubriken außer für Serien und Filme verglichen mit anderen Anwendungsfällen überdurchschnittlich hoch. Unter anderem liegt es daran, dass die Nutzungs-Historie für die Berechnung der Serendipity herangezogen wird und neue Rubriken und Inhalte in der ZDFmediathek (z.B. von ARD) potentiell die Serendipity erhöhen, falls diese vorher nicht von den Nutzer:innen geschaut wurden.