《纸牌屋》的风靡，让全球的美剧迷都知道了Netflix，让全球的剧作人都认识到电视剧还可以这样做，让全球的大数据从业者看到了标杆，《纸牌屋》的成功，是大数据的胜利。
Netflix在美国有2700万订阅用户，在全世界则有3300万用户，这些用户的数据告诉Netflix：Fincher（社交网络、七宗罪的导演）是个靠谱的导演，他们都喜欢Spacey这个演员，英剧版的《纸牌屋》很受欢迎，当这些信息汇聚在一起，《纸牌屋》的收视率就是Netflix已经预见到的未来。
所以，本期CNET数读，就是要讲述中国的视频网站在大数据应用上的摸索。
大数据的境界：用分析指导原创
陈杰(陈杰国双科技新媒体业务部总监)
国双科技虽不是视频网站，但其服务对象却包括广电新媒体行业的视频网站，以帮助他们提升在在PC终端、移动终端、机顶盒、智能电视机上的用户体验。
国双科技新媒体业务部总监陈杰介绍，在互联网时代，电视台可以利用自身的新媒体平台，通过发送邀请码的方式，使得部分观众在PC、平板电脑、手机等终端收看新节目，并将用户收看视频的行为进行采集。此外，节目组在发放邀请码的时候，可以通过注册了解观众的性别、年龄、职业等信息，采集到的用户观看数据就能够反应出不同受众是怎样观看新节目的。
而用户的回馈也是多种多样的。
“比如说在看到视频某些片断的时候，观众开始不耐心了，开始往前拖着看了；看到什么片断的时候，他觉得这个段子特别有意思，他会往回再回看一两次；中间有一些提意见的模块，比如说认为这个场景的灯光或者这个主持人的服饰等等，他的反馈意见或评论，也可以在中间过程中提出来。”陈杰说。
国双此方案的设计，目的就是要把用户的行为做一些回溯，能够让节目组看到用户是怎么看的。节目组发现在某个用户流失的环节，就可以考虑是不是增加一个精彩环节的预告，怎样的预告能够使观众离开的人数减少，或者让观众尽量少拖拽，这些都为节目剪辑提供了数据，从而最终响应客户的需求。
事实上，已经有一些电视台客户向国双提出了这样的需求，打算尝试把新节目拿到互联网上来试播一下，看用户反馈再进行调整，他们希望把新媒体平台的价值最大化，新媒体的部门有数据能够反馈给电视台的节目制作部门。
当然，现在还有一些电视节目在播出之后，看到了互联网上用户观看的反馈，从而改进剪辑，这也是用户反馈的另一个体现。 详细
(姚键)优酷土豆集团CTO
今年，优酷指数进而演变成“中国网络视频指数”，加入了土豆网以及移动客户端的视频数据。
作为一款平台化的产品，“中国网络视频指数”在优酷土豆集团中的参考价值无处不在，从广告售卖，到版权购买，再到播放器产品的优化等等，处处都能够作为指导依据。
优酷土豆集团把其推出的数据报告给节目制作方、影视剧公司、第三方分析机构等了解视频节目的播放信息，并为观众人群的分析提供了依据；在广告销售方面，能够为广告主呈现出用户行为特征，提供广告投放价值的分析；在进行版权购买的时候，可以根据指数的走向来帮助决策；公司内部，哪怕是播放器产品的用户体验优化，都可以查看数据分析结果，查看按钮的摆放和使用频率等。
这些做法的价值是显而易见的，或者说还可以通过数据分析的结果来指导优酷土豆集团的自制内容。
比如说优酷有很多自制的内容，有很多的微电影、综艺节目等等，这些播放数据可以显示出哪些题材是用户喜欢的，用户看到哪里就看不下去了，在哪里是拖放观看的，一系列的用户行为可以清晰地告诉内容制作人员，应该怎么去剪辑视频，怎么去选择内容题材。
其实这个过程也是对视频质量进行分析的过程，在优酷土豆的搜索、推荐中按照视频质量进行排序，反过来也提高了推荐成功率。详细
大数据的起步：从数据积累开始
陈杰
陈杰国双科技新媒体业务部总监
陈杰强调，对用户喜好的把握精确与否，很关键的一点在于数据的积累，具体来说就是用户内容的关联。帮助客户把每个视频的标签做全、做细是一件很重要的工作。
比如，一个视频是喜剧片，那么，这个视频是哪个国家的喜剧片，演员是谁，导演是谁，等等这一系列的属性标签都要打上，标签越多，在做大数据挖掘的时候，挖掘出的信息量就越多。
这些标签的意义，就在于数据传递的时候，可以描述出这个视频更丰富的信息，标签越详细，挖出来的数据就越准确，对用户的喜好就把握的越准。
如果与风靡美国的电视剧《纸牌屋》相比，国双所做的“大数据挖掘”同样以最终的应用作为出发点，将大数据最终落脚到“小”数据上。“小数据”，并非是指数据量小，而是对海量数据进行了挖掘和分析，使结果一目了然。
陈杰解释，数据的分析、挖掘最后终究是要落在几个点上，也就是说能帮助完成什么样的工作，获得什么样的结果，这种更加具体、聚焦的工作；落地的这个“小”数据，正是数据发挥的价值所在。详细
姚键
姚键优酷土豆集团CTO
优酷新上线的首页页面上，通过一个叫做“协同过滤推荐”的技术，可对于不同的用户推荐他们喜欢的视频。
据悉，协同过滤推荐（Collaborative Filtering recommendation）在信息过滤和信息系统中正迅速成为一项很受欢迎的技术，其与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤还分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。
由此可见，看上去简单的相关推荐，其实在优酷的视频推荐中涉及上百个参数，每次要调整参数，都要手动调整十几甚至几十个参数，每天推荐视频的数据模型中要涉及的数据高达几十亿。
当然，数字证实，通过这种协同过滤推荐给用户的视频是靠谱的，因为在海量的视频中寻找自己喜欢的视频成本是很高的，推荐视频的打开率也令人满意。详细