Dapatkah AI Mengatasi Masalah Kelebihan Pilihan di Platform yang Penuh dengan Konten?

Pendahuluan

Sistem rekomendasi mengurangi jumlah pilihan yang harus dibuat seseorang, dan data menunjukkan bahwa hal itu lebih berharga bagi sebuah platform daripada yang diperkirakan kebanyakan orang. Apakah hal itu harus dibayar dengan risiko kehilangan kesempatan menemukan sesuatu yang baru adalah pertanyaan terpisah, yang juga tidak mudah dijawab.

Aplikasi streaming menuntut banyak hal pada malam Selasa. Buka salah satunya, dan Anda harus menelusuri deretan thumbnail sebelum menemukan sesuatu yang layak ditonton—jika memang berhasil menemukannya. Banyak orang tidak berhasil melakukannya. Spanduk berganti-ganti, segelintir judul yang sama terus muncul kembali, dan pada titik tertentu, menutup aplikasi bisa terasa seperti jalan yang paling mudah. Situs kasino seperti Vegas Stars casino nz menghadapi masalah serupa dari sudut pandang yang berbeda: akun baru masuk dan menemukan ratusan judul permainan yang tidak dikenal tanpa titik awal yang jelas. Para peneliti telah memberi nama untuk hal ini beberapa waktu lalu, yaitu kelebihan pilihan, dan platform menganggapnya sebagai semacam masalah pendapatan.

Nilai Sebenarnya dari Mesin Rekomendasi

Ganti mesin rekomendasi Netflix dengan peringkat popularitas biasa, dan tingkat keterlibatan turun sebesar 12%, menurut makalah kerja SSRN November 2025 dari sekelompok ekonom yang berafiliasi dengan perusahaan tersebut (tiga dari penulis makalah tersebut bekerja langsung di Netflix). Cobalah model faktorisasi matriks sebagai gantinya—yang merupakan langkah di bawah personalisasi penuh—dan penurunannya lebih kecil, yaitu 4%. Jika dikalikan dengan basis pelanggan yang mencapai ratusan juta, selisih tersebut setara dengan miliaran jam tayang, dan uang yang pada akhirnya tercermin dalam angka perpanjangan langganan, entah bagaimana caranya.

Klaus Wertenbroch tidak sepenuhnya sependapat bahwa personalisasi adalah hal yang sepenuhnya baik. Ia mengajar pemasaran di INSEAD dan ikut menulis makalah yang mempertanyakan seberapa besar bobot yang diberikan orang pada pilihan algoritmik sejak awal. “Saya dan rekan penulis saya mengingatkan konsumen agar tidak terlalu bergantung pada algoritma AI saat membuat pilihan semacam itu,” kata Wertenbroch dalam makalah tersebut, berusaha membuat orang berpikir dua kali tentang bias. Ia berharap rekomendasi dilihat apa adanya, bukan sebagai dukungan resmi, melainkan sekadar saran.

Hal ini berkaitan dengan bias popularitas. Ketika cukup banyak akun yang sudah menonton sebuah acara, hal itu dapat menjadi sinyal bagi model untuk merekomendasikan acara tersebut kepada orang lain (lebih aman merekomendasikan acara yang sudah populer daripada sesuatu yang belum dikenal), dan akibatnya, pemirsa dalam jumlah kecil semakin berkurang pada putaran berikutnya, hingga akhirnya tidak terlihat lagi bagi mereka yang tidak secara aktif mencari judul tersebut. Para ekonom menyebut efek “yang kaya semakin kaya” untuk menjelaskan proses ini. Hal ini memiliki implikasi bagi pengindeksan mesin pencari dan umpan media sosial, di mana pun algoritma secara implisit menggunakan popularitas sebagai proksi untuk menilai kualitas.

Netflix dan INSEAD akhirnya sampai pada kesimpulan yang sama, tetapi mereka menempuh jalur yang berbeda untuk mencapainya. Meskipun mereka berurusan dengan data yang sama sekali berbeda dari industri yang berbeda, mereka menemukan bahwa alasan mendasar mengapa pengguna tetap setia biasanya sama. Perpustakaan konten yang terus berkembang namun tidak meningkatkan kualitas tawaran yang sudah ada cenderung menumpuk konten berkualitas rendah dan menjadi tidak efisien dalam menarik pengguna baru atau mempertahankan pengguna yang sudah ada.

Algoritma Buruk dalam Menghadapi Kejadian Tak Terduga yang Menguntungkan

Riwayat klik, waktu di halaman, dan kata kunci pencarian menjadi fondasi sebagian besar mesin rekomendasi. Mereka mengandalkan jejak digital tersebut untuk menampilkan lebih banyak konten yang sudah Anda tonton atau mainkan sebelumnya. Hal ini masuk akal dari perspektif tujuan desain. Namun, ada kemungkinan Anda tidak akan pernah disuguhkan rekomendasi jenis tertentu ini. Alasannya agak halus, didasarkan pada fakta bahwa tidak pernah ada indikasi minat karena Anda tidak pernah diperkenalkan padanya. Dulu, ini disebut pemasaran ‘dari mulut ke mulut’ pada masa lalu, sebelum sistem rekomendasi dan AI muncul. Saat saudara laki-laki atau perempuan Anda memberi Anda kaset kompilasi dengan hanya beberapa lagu di dalamnya, dan tiba-tiba Anda menemukan subgenre baru tanpa pernah mencarinya.

Jenis Konten	Keterlibatan Standar	Keterlibatan yang Dikurasi	Pengamatan Utama
Konten yang menarik banyak orang	Sudah tinggi	Hampir tidak bergerak	Popularitas saja sudah cukup untuk membuat judul-judul ini ditemukan
Katalog kelas menengah	Tersembunyi, mudah terlewatkan	Naik secara signifikan	Kurasi benar-benar membuahkan hasil di sini
Judul-judul khusus	Hampir tak terlihat	Naik sedikit	Bahkan penargetan yang baik pun memiliki batasan

Data murni sulit untuk menampilkan pilihan-pilihan tak terduga dan menyenangkan tersebut secara mandiri. Situs seperti Vegas Stars mengelola katalog luas yang dipenuhi dengan permainan kartu, slot dengan volatilitas tinggi, dan dealer langsung yang beroperasi sepanjang waktu. Tentu saja, diperlukan pengorganisasian untuk mengatur perpustakaan semacam itu. Algoritma pembelajaran mesin menangani perhitungan matematis di baliknya, sementara desain UX/produk yang cerdas melengkapi tugas tersebut. Jika seseorang membuat akun baru tanpa pengalaman sebelumnya, AI dan kategori konten yang baik akan bekerja dengan sempurna. Menata platform dengan cara seperti ini memastikan bahwa kisi-kisi permainan tidak menjadi berantakan.

Kurasi yang Baik Memberikan Dampak Besar

Pengunjung pertama kali di Vegas Stars akan menemukan sekitar 200 ubin permainan terpisah, tanpa riwayat klik apa pun di baliknya hingga saat ini. Banyak mesin rekomendasi lama menangani "kanvas kosong" tersebut dengan cara yang ketinggalan zaman, terutama karena tidak ada yang merancang sistem tersebut dengan skenario tersebut dalam pikiran. Beberapa di antaranya akhirnya hanya mengulang-ulang segelintir genre yang sama hingga semua yang ditampilkan di layar mulai terlihat membaur. Sistem yang lebih baik mencoba pendekatan yang lebih rumit, melacak apa yang sudah disukai pemain, lalu sesekali menyisipkan judul di luar pola tersebut hanya untuk melihat mana yang cocok.

• Jumlah klik dan durasi sesi memberikan informasi lebih banyak tentang seorang pemain daripada survei apa pun.
• Ribuan akun dibandingkan satu sama lain melalui filtrasi kolaboratif, mencari kesamaan dalam apa yang dimainkan atau dilewati.
• Volatilitas dan mekanisme dibaca langsung dari file game, sehingga kecocokan gaya mengikuti data, bukan tebakan.
• Perubahan suasana hati di tengah sesi juga terdeteksi, sesuatu yang tidak akan terdeteksi oleh profil statis.

Para insinyur memiliki istilah untuk skenario awal tersebut, yaitu akun baru yang belum memiliki riwayat apa pun: masalah cold-start. Beberapa sistem mengatasinya dengan secara default menampilkan konten yang secara umum populer kepada akun baru hingga data perilaku yang cukup terkumpul untuk melakukan personalisasi dengan tepat. Sistem lain menggunakan serangkaian pertanyaan onboarding, menukar proses pendaftaran yang sedikit lebih rumit dengan keunggulan awal dalam proses pencocokan. Kedua solusi tersebut tidak sempurna, tetapi keduanya lebih baik daripada menampilkan 200 ubin secara acak dan berharap ada yang cocok.

Ada dua teknik yang melakukan sebagian besar penyortiran saat Anda mulai meninjau semua konten. Pertama, filtrasi kolaboratif menetapkan skor kesamaan antara satu akun dan ribuan akun lain dengan membandingkan judul-judul yang diklik, diputar, atau bahkan “dilewati secara bersama-sama”. Penandaan berbasis konten melewati perbandingan tersebut dan membaca metadata dari setiap judul, seperti indeks volatilitas, tema, dan struktur tabel pembayaran, lalu mencocokkan atribut-atribut tersebut dengan apa yang pernah disukai oleh satu akun sebelumnya (kedua teknik ini sering dijalankan secara bersamaan, bukan saling menggantikan). Kedua metode ini menghindarkan pengguna dari harus duduk dan menelusuri setiap katalog secara manual.

Jika diuraikan, proses ini melalui sekitar lima langkah, yang masing-masing cukup mudah dipahami:

1. Data sesi, preferensi kategori, dan pola melewati dimasukkan ke dalam model sebelum peringkat apa pun ditentukan.
2. Profil individu dicocokkan dengan judul yang terkait dengan riwayat klik aktual, bukan hanya apa pun yang populer secara umum.
3. Peringkat yang tepat. Sebagian besar interaksi pada grid beranda terjadi di beberapa baris pertama, yang menjadi salah satu alasan mengapa urutan peringkat lebih berpengaruh daripada ukuran daftar di bawahnya.
4. Klik baru, lompatan, dan sesi yang diselesaikan dimasukkan kembali sebagai data pelatihan tambahan.
5. Rilis baru dan perubahan perilaku pemain dimasukkan dalam hitungan menit, bukan menunggu pembaruan terjadwal.

Seperti Apa Kurasi yang Lebih Baik di Vegas Stars

Sesi seluler merupakan sebagian besar lalu lintas di situs seperti Vegas Stars, dan hal itu mengubah apa yang sebenarnya harus dilakukan kurasi bagi pengguna. Layar yang lebih kecil hanya mampu menampilkan sekitar enam hingga delapan ubin sebelum pengguna harus menggulir, sehingga apa pun yang berada di baris pertama yang terlihat memiliki bobot yang sangat besar, mirip dengan efek grid halaman utama yang disebutkan dalam penelitian Netflix. Jika baris pembuka tersebut salah, pemain tidak akan pernah melihat sisa perpustakaan, terlepas seberapa baik sistem pencocokan di baliknya.

Lalu ada permainan meja dengan dealer langsung, yang menambahkan lapisan kompleksitas baru. Misalkan Anda memiliki meja blackjack dengan tiga kursi kosong dan seorang pengguna yang tertarik untuk bergabung; Anda harus menghubungkannya dalam hitungan milidetik, bukan detik yang dihabiskan untuk menelusuri kalender janji temu. Anda tidak bisa sekadar menekan tombol putar pada siaran ulang begitu kursi sudah terisi. Waktu sangat krusial di sini, berbeda dengan perpustakaan video on-demand, karena begitu meja langsung terisi penuh, kesempatan bagi pemain pun hilang. Ini seperti lobi multipemain dalam game Call of Duty atau game tim lainnya yang Anda temukan di PlayStation dan Xbox.

Kecepatan pembayaran juga memengaruhi penemuan secara tidak langsung. Pemain yang mentransfer uang melalui kripto atau dompet digital cenderung menyelesaikan sesi lebih cepat daripada mereka yang menunggu berhari-hari untuk transfer bank, sehingga mesin rekomendasi memiliki waktu lebih sedikit per kunjungan untuk mempelajari apa pun sebelum akun tersebut berpindah ke platform lain. Uang yang masuk lebih cepat cenderung berarti penilaian lebih cepat mengenai apakah lobi tersebut benar-benar cocok bagi pemain tersebut.

Mewujudkan hal ini membutuhkan keahlian teknik yang sesungguhnya. Hal ini memerlukan sistem backend yang cepat dan responsif, dipadukan dengan tata letak yang dirancang sesuai dengan arah fokus pemain.

Peringatan: Perjudian adalah bentuk hiburan dan memiliki risiko bawaan. Perjudian tidak boleh dipandang sebagai sumber penghasilan atau strategi keuangan. Bertaruhlah hanya dengan uang yang Anda sanggup untuk kehilangan, tetapkan batasan yang ketat, dan cari bantuan jika perjudian memengaruhi Anda. Partisipasi terbatas untuk orang dewasa berusia 18 tahun ke atas. Selalu berjudi secara bertanggung jawab.