Waarom blijft iemand bingen? Waarom klikt een kijker wél op de ene realityshow en niet op de andere, terwijl ze op papier hetzelfde lijken? Het antwoord zit niet alleen in het genre, de cast of het onderwerp, maar vooral in hoe content aanvoelt.
Content Value Engine
Met de Content Value Engine heeft Bindinc. een systeem ontwikkeld dat videocontent analyseert op zaken als toon, spanning, humor, tempo en emotionele dynamiek. Het doel: betere aanbevelingen, een betere kijkervaring en daarmee ook een hogere retentie. Strategy Manager Suzan de Graaff en Data Specialist Bram Baar vertellen hoe het werkt.
De Content Value Engine van Bindinc. haalt uit videocontent wat ontbreekt in traditionele metadata: emotie en gevoel. Waarom maakt dit een verschil?
Suzan: “Traditionele metadata beschrijft vooral wat content is: genre, titel, cast of onderwerp. Daarom weten aanbevelingssystemen vaak wát iemand kijkt, maar minder goed waaróm iemand blijft kijken. Daardoor krijg je meer van hetzelfde genre, terwijl de echte voorkeur van de kijker vaak zit in toon, tempo, humor, spanning of sfeer. Met de Content Value Engine maken we die diepere laag meetbaar.
Voor streaming platforms en omroepen zit daar veel waarde in. Wie beter begrijpt waarom content werkt, kan aanbevelingen verbeteren, retentie verhogen en content slimmer inzetten. Daarnaast kan dezelfde technologie gebruikt worden om bijvoorbeeld thumbnails automatisch te optimaliseren, archieven slimmer doorzoekbaar te maken of kijkcijfers beter te duiden.”
Hoe werkt dat in de praktijk?
Bram: “We analyseren de videocontent op drie niveaus. Eerst kijken we naar de audiovisuele metadata: wat je ziet en hoort. Denk aan transcripts, herkenning van personen of objecten en samenvattingen. Het tweede niveau is contextueel: waar gaat het over, wat zijn de thema’s en onderwerpen?
Maar het derde niveau is voor ons het meest waardevol. Dat gaat over hoe content aanvoelt: het semantische niveau. Dat bestaat uit een combinatie van meetbare kenmerken zoals toon, tempo, spanning, humor, emotionele lading en dynamiek tussen personen. Juist die elementen bepalen vaak waarom iemand blijft kijken of juist afhaakt.”
Suzan: “Twee programma’s kunnen qua metadata identiek lijken – hetzelfde genre, vergelijkbare thematiek – maar toch een heel andere kijkervaring bieden. Dat verschil was tot nu toe moeilijk meetbaar, terwijl het voor kijkers enorm bepalend is.”
Daarvoor gebruiken jullie vast AI?
Bram: “Ja, maar AI is vooral het middel om het systeem schaalbaar te maken. Het zorgt ervoor dat we grote hoeveelheden videocontent snel en consistent kunnen analyseren.”
Dus AI doet het productiewerk, waar zit dan jullie expertise?
Bram: “Die zit in de frameworks die we creëren voor het analyseren, eigenlijk de handleiding die we aan de AI meegeven. AI begrijpt niet vanzelf wat spanning, ongemak of verbindende humor is. Daarvoor moet je eerst definiëren welke elementen samen zo’n ervaring vormen. Dat is mensenwerk. We gebruiken op dit moment meer dan vijftig variabelen die invloed hebben op hoe content wordt ervaren. Denk aan de dynamiek tussen personen, emoties, gedragsstijl, het type humor, maar ook muzikale elementen. Al die aspecten samen vormen een veel rijker beeld van content dan traditionele metadata.”
Kunnen jullie een voorbeeld geven van een succesvolle toepassing?
Suzan: “Een mooie case is onze samenwerking met NLZIET. Zij wilden de aanbevelingen op hun platform relevanter maken, zodat gebruikers vaker doorklikken en blijven hangen. We hebben een pilot gedaan voor het Nederlandse realitygenre. Onze Content Value Engine heeft de content diepgaand geanalyseerd. Niet alleen op inhoud, maar juist op sfeer, spanning, tempo en interactie tussen personages.”
Bram: “Dat leverde concrete resultaten op. Gebruikers klikten 27% vaker op aanbevelingen, dead-end-prevention steeg met 34% en de algehele interactie met aanbevelingen nam toe met 13%. Onze diepgaande contentdata bleek een waardevolle aanvulling op de bestaande kijkersdata van NLZIET. Juist die combinatie maakte dit mogelijk.”
Wat is jullie volgende uitdaging?
Suzan: “Deze methodiek gebruiken wij ook om andere ogenschijnlijk moeilijk meetbare waarden om te zetten in consistente data. Zo werken we met een publieke omroep aan het objectief en meetbaar maken van hun kernwaarden ten opzichte van hun programmering. Omroepen willen steeds beter kunnen onderbouwen hoe hun content aansluit bij hun publieke opdracht. Wij helpen om zulke abstracte begrippen concreet en meetbaar te maken, zodat ze die inzichten ook strategisch kunnen inzetten.”
