Recommendation System Membuat Pengguna TikTok Kecanduan Scrolling Berjam-jam!
Recommendation System atau Sistem Rekomendasi bukanlah sesuatu yang baru bagi para penggiat Data Science. Sebaliknya, beberapa orang menganggapnya sebagai teknologi AI lama yang kurang menarik, seperti Image Recognition atau Language Generation. Namun, sistem rekomendasi tetap menjadi salah satu teknologi AI yang paling dominan dan luas penggunaannya di hampir semua platform online. Contohnya adalah rekomendasi video di YouTube, kampanye email yang diterima dari Amazon, dan rekomendasi artikel di Google ketika melakukan pencarian dengan kata kunci tertentu.
Berdasarkan sebuah penelitian yang dilakukan oleh Gomez-Uribe dan Neil Hunt, kepala produk Netflix, diketahui bahwa personalisasi dan rekomendasi telah berhasil menghemat lebih dari $1 miliar per tahun bagi Netflix. Fakta ini menunjukkan bahwa sebanyak 80% pelanggan Netflix memilih untuk menonton video dari daftar saran mesin yang disediakan. Kehebatan teknologi personalisasi dan rekomendasi ini juga sukses dimanfaatkan oleh TikTok, sebuah platform media sosial, yang mampu membuat penggunanya kecanduan untuk menggulirkan konten selama berjam-jam. Mari kita lihat bagaimana teknologi ini diaplikasikan di TikTok!
Mengenal TikTok Lebih Dalam
TikTok adalah sebuah platform media sosial yang sangat populer, yang memungkinkan penggunanya untuk membagikan video pendek dengan berbagai topik menarik. Tidak heran bahwa aplikasi ini telah menarik perhatian dunia, karena telah diunduh lebih dari 2 miliar kali di seluruh dunia melalui App Store dan Google Play. Menurut data dari SensorTower, terlihat bahwa jumlah unduhan video TikTok terus meningkat secara global, menjadi semakin populer dari waktu ke waktu.
Hal menarik yang sejalan dengan trend peningkatan global ini adalah fakta bahwa rata-rata pengguna TikTok menghabiskan waktu sekitar 52 menit setiap harinya di aplikasi tersebut. Menariknya lagi, angka ini masih kalah dibandingkan dengan waktu yang dihabiskan oleh pengguna Snapchat, Instagram, dan Facebook masing-masing sekitar 26 menit, 29 menit, dan 37 menit.
Strategi pertumbuhan TikTok yang meliputi aplikasi video pendek berdurasi 60 detik dengan konten-konten meme, komedi, tarian, dan talenta telah membuatnya menjadi sangat populer. Selain itu, kepopuleran TikTok juga tidak terlepas dari sistem rekomendasi terbaik yang dapat menyesuaikan minat pengguna sehingga konten yang disajikan relevan dengan keinginan mereka. Sistem rekomendasi ini memiliki dampak yang signifikan, yaitu mempercepat pengguna untuk merasa senang dan terus menerus melihat konten, sehingga sulit untuk berhenti menelusuri TikTok. Beberapa orang menyebutnya sebagai "The Ultimate Time Killers That Suck Up Your Spare Time", artinya TikTok bisa menyedot waktu luang secara signifikan, bahkan ada yang mengatakan bahwa "5 menit di TikTok sama dengan 1 jam di kehidupan nyata".
Pola Dasar Recommendation System TikTok
Pola dasar Recommendation System TikTok didasarkan pada prinsip "User-Centric Design", yang berarti sistem hanya akan merekomendasikan konten yang sesuai dengan preferensi pengguna. Proses ini dimulai dari penyesuaian awal hingga rekomendasi eksplisit untuk pengguna aktif. Misalnya, jika pengguna menonton video tarian, maka umpan akan disesuaikan dengan kategori hiburan pada awalnya. Selanjutnya, TikTok akan melacak perilaku pengguna untuk analisis lebih lanjut dan memberikan rekomendasi yang tepat karena telah dipersonalisasi hanya untuk pengguna tersebut.
Pola dasar TikTok terdiri dari 3 proses utama, yaitu memberikan tag pada konten untuk menjelaskan isi konten tersebut, membuat profil pengguna yang mungkin diminati oleh konsumen, dan melatih serta menyajikan algoritma rekomendasi.
Secara lebih detail Recommendation System TikTok memiliki lima poin, yaitu data, fitur, tujuan, algoritma, dan mekanisme pelatihan.
1. Data
Recommendation System ini dapat digambarkan oleh sebuah fungsi yang dipengaruhi oleh tiga input data, yaitu Data Konten (karakteristik atau isinya membahas apa), Data Pengguna (label minat, karier, usia, jenis kelamin, demografi dll), Data Skenario (melacak minat konsumen apakah terjadi pergeseran preferensi pengguna).
2. Fitur
Setelah data dikumpulkan, kita perlu membentuk fitur-fitur penting sebagai input ke dalam Recommendation System.
- Fitur Korelasi : berisi gambaran hubungan antara atribut konten dan tag (label) pengguna, termasuk pencocokan kata kunci, tag klasifikasi, pencocokan sumber, tag tema, dan fitur laten seperti jarak vektor antara pengguna dan konten.
- Fitur Skenario Pengguna : berisi rekayasa dari data skenario termasuk lokasi geografis, waktu, tag acara, dll.
- Fitur Trend: berisi tren global, topik hangat, kata kunci teratas, tema tren, dll.
- Fitur Kolaboratif: berisi analisis perilaku kolaboratif dari grup pengguna yang serupa (klik, minat, kata kunci, tema), bukan hanya mempertimbangkan riwayat satu pengguna (teknik penyaringan kolaboratif)
3. Tujuan
Tujuan dari sebuah Recommendation System tentu saja meningkatkan engagement konsumen seperti rasio klik-tayang, waktu membaca, suka, komentar, dan repost adalah semua tujuan yang dapat dihitung. Selain itu, terdapat tujuan yang tidak berwujud lainnya yang sulit dievaluasi seperti indicator sebelumnya seperti apakah Recommendation System dapat menjaga komunitas dan ekosistem yang sehat dengan tidak mencegah penipuan, pornografi, berita hoax dan masalah lainnya terkait etis.
4. Algoritma
Langkah-langkah penyelesaian masalah (merekomendasikan konten) alias algoritma Recommendation System umumnya didasarkan oleh perilaku pengguna dan komunitas secara kolektif sehingga biasanya menggunakan model penyaringan kolaboratif (Collaborative Filtering Model), meskipun terdapat model lain seperti Logistic Regression model, Factorization Machine, GBD, dan Deep Learning. Selain algoritma rekomendasi utama, TikTok juga perlu melatih algoritma klasifikasi konten dan algoritma pembuatan profil pengguna. Hal ini sangat penting sebab dapat dikatakan mustahil apabila melakukan pembentukan fitur secara manual karena begitu besar konten dan pengguna serta perkembangan lainnya. Alhasil dengan membangun kedua algoritma umum ini proses algoritma Recommendation System dapat dilakukan otomatis sehingga lebih efisien dan efektif.
5. Mekanisme Pelatihan
Keseluruhan proses pelatihan adalah server online menangkap data real-time kemudian menyimpannya. Setelah itu, kemungkinan besar TikTok memanfaatkan Storm cluster untuk menggunakan data yang disimpan dan menghasilkan fitur produk, kemudian menyimpan fitur baru dan label rekomendasi sebagai set pelatihan baru. Lalu melatih ulang parameter model dan menyimpan model kemudian memperbarui daftar rekomendasi sisi klien. Proses ini dilakukan terus menerus dengan cepat mulai dari menangkap umpan balik baru (tindakan pengguna) hingga memperbarui model sisi klien.
Alur kerja Recommendation System TikTok
Memang faktanya TikTok tidak pernah mengungkapkan secara gambling algoritma intinya kepada publik atau komunitas teknologi. Tetapi berdasarkan berbagai informasi yang diposting melalui perusahaan dan sebagainya, digambarkan berikut.
1. Sistem Duo-Audit untuk User Generated Content (UGC)
Proses ini bertugas untuk menyaring konten video yang dilakukan melalui tinjauan mesin dan manual. Tinjauan mesin memanfaatkan misalnya Computer Vision (sebuah konsep memberikan komputer kemampuan melihat) untuk dapat mengidentifikasi gambar dan kata kunci video Anda. Setelah dideteksi oleh tinjauan mesin sebagai mencurigakan maka teknisi akan meninjaunya secara manual. Jika diidentifikasi sebagai pelanggaran peraturan, video tersebut akan dihapus, dan akun tersebut akan ditangguhkan.
2. Uji Coba
Ketika konten lulus tinjauan duo-audit, maka akan dimasukkan ke dalam kumpulan lalu lintas pengguna kecil. Misalnya, setelah video baru Anda melewati proses peninjauan, TikTok akan menetapkan lalu lintas awal 200–300 pengguna aktif, dari sana Anda dapat memperoleh hingga beberapa ribu eksposur (sorotan). Dalam mekanisme ini, kreator baru bisa bersaing dengan influencer sosial (yang mungkin memiliki puluhan ribu pengikut), karena mereka memiliki titik awal yang sama, yaitu uji coba awal.
3. Penimbangan Berbasis Metrik
Melalui kumpulan lalu lintas awal, video dapat memperoleh ribuan penayangan, dan data tersebut akan dikumpulkan dan dianalisis. Metrik yang harus dipertimbangkan dalam analisis meliputi like (suka), tampilan, tampilan lengkap, komentar, pengikut, posting ulang, bagikan dll kemudian menggunakan metrik tersebut untuk memberikan skor akun Anda (apakah Anda pembuat konten berkualitas tinggi atau tidak). Jika mesin memutuskan untuk menimbang konten Anda, 10% teratas maka akan diberi tambahan 10.000–100.000 eksposur lalu lintas.
4. Penguat Profil Pengguna
Umpan balik dari kumpulan lalu lintas langkah 2 akan dianalisis lebih lanjut untuk keputusan penggunaan penguat profil pengguna. Pada langkah ini, konten yang unggul akan diperkuat dan diperkuat dalam kelompok pengguna tertentu (misalnya, penggemar olahraga, pencinta mode) alias akan semakin populer akun pengguna tersebut.
5. Kumpulan Trending
Kurang dari 1% konten pada akhirnya akan masuk ke bagian Trending. Jumlah eksposur yang bisa didapat konten di kumpulan ini jauh lebih tinggi daripada yang lain. Karena konten yang sedang trend akan direkomendasikan ke semua pengguna dengan semaksimum mungkin atau acuh tak acuh.
6. Trending Tertunda
Beberapa Tiktoker (pengguna TikTok) akan menyadari bahwa konten mereka tiba-tiba mendapat daya tarik yang luar biasa setelah berminggu-minggu memposting dengan kinerja rata-rata. Hal ini disebab dua hal, pertama adalah TikTok memiliki algoritma yang dapat melihat kembali konten lama dan mempertimbangkannya menjadi kandidat berkualitas tinggi untuk diekspos, kedua adalah efek trending di salah satu video Tiktoker sehingga mengarahkan lalu lintas ke halaman utama Tiktoker tersebut sehingga meningkatkan penayangan konten lama.
Kesimpulan
Kita telah membahas banyak hal tentang TikTok dan Recommendation System-nya, yang berhasil membuat aplikasi ini menjadi pesaing serius bagi raksasa media sosial lainnya seperti Instagram dan Facebook. Recommendation System TikTok sangat mempengaruhi psikologi pengguna melalui rangsangan cepat yang terus-menerus dari konten yang sesuai dengan minat mereka.
Dalam pola dasar Recommendation System TikTok, fokusnya adalah pada keinginan pengguna, yang memungkinkan rekomendasi yang dipersonalisasi dan membuat pengguna ketagihan untuk menghabiskan waktu berjam-jam di aplikasi. Kita juga membahas bagaimana data, fitur, tujuan, algoritma, dan mekanisme pelatihan saling terkait dalam pola dasar Recommendation System TikTok.
Selain itu, kita juga telah membahas alur kerja Recommendation System TikTok, yang dapat membuat sebuah konten trending dan menjadi viral. Data dapat dimanfaatkan dalam berbagai industri, dan jika Anda tertarik mempelajari lebih lanjut tentang data dan ingin menjadi seorang Data Scientist yang handal, Anda dapat mengikuti Bootcamp Algoritma DataScience yang memiliki serangkaian program yang dapat membantu Anda menguasai dunia data di industri yang Anda minati. Yuk, bergabung bersama Algoritma sekarang!