Kan AI lösa problemet med valöverbelastning på innehållsrika plattformar?

Inledning

Rekommendationssystem minskar antalet val en person måste göra, och data tyder på att det är mer värdefullt för en plattform än de flesta antar. Om det sker på bekostnad av att stöta på något nytt är en annan fråga, som inte heller är så lätt att besvara.

Streamingappar ställer höga krav på en tisdagskväll. Öppnar man en app möts man av rader av miniatyrbilder som man måste bläddra igenom innan man hittar något som är värt att titta på – förutsatt att man överhuvudtaget hittar något. Många gör inte det. Banners växlar, samma handfull titlar dyker upp om och om igen, och vid ett visst läge kan det kännas som den enklaste vägen att stänga appen. Kasinosajter som Vegas Stars casino nz stöter på ett liknande problem ur ett annat perspektiv: ett nytt konto loggar in och möts av hundratals okända spelrutor utan någon uppenbar utgångspunkt. Forskare gav detta ett namn för ett tag sedan, ”valöverbelastning”, och plattformarna ser det som ett slags intäktsproblem.

En rekommendationsmotors verkliga värde

Om man byter ut Netflix rekommendationsmotor mot en enkel popularitetsrankning sjunker engagemanget med 12 %, enligt ett SSRN-arbetsdokument från november 2025 av en grupp ekonomer knutna till företaget (tre av dokumentets författare arbetar direkt på Netflix). Prova istället en matrisfaktoriseringsmodell – ett steg ned från fullständig personalisering – och kostnaden blir lägre, 4 %. Multiplicerat med en abonnentbas på hundratals miljoner innebär den skillnaden miljarder tittartimmar och pengar som så småningom på ett eller annat sätt återspeglas i förnyelsetalen.

Klaus Wertenbroch är inte helt övertygad om att personalisering är något entydigt positivt. Han undervisar i marknadsföring vid INSEAD och är medförfattare till en artikel som ifrågasätter hur stor vikt människor egentligen lägger vid algoritmiska val. ”Mina medförfattare och jag varnar konsumenterna för att förlita sig för mycket på AI-algoritmer när de gör sådana val”, påpekade Wertenbroch i artikeln, i ett försök att få människor att tänka efter en extra gång när det gäller fördomar. Han sa att han hoppades att rekommendationer skulle ses för vad de är, inte som ett officiellt godkännande utan helt enkelt som råd.

Detta hänger samman med popularitetsfördomar. När tillräckligt många konton redan tittar på en serie kan det signalera till modellen att rekommendera den serien till andra (det är säkrare att rekommendera en befintlig succé än något okänt), och som ett resultat minskar den lilla publiken i efterföljande omgångar, för att så småningom försvinna ur sikte för dem som inte aktivt söker efter en titel. Ekonomer hänvisar till ”de rika blir rikare”-effekten för att förklara denna process. Det har konsekvenser för indexering i sökmotorer och flöden på sociala medier – överallt där algoritmer implicit använder popularitet som mått för att bedöma kvalitet.

Netflix och INSEAD kom till slut fram till samma slutsats, men de tog olika vägar för att nå dit. Även om de arbetade med helt olika data från olika branscher fann de att den underliggande anledningen till att användarna stannar kvar oftast är densamma. Växande bibliotek som inte förbättrar kvaliteten på det utbud de redan har tenderar att samla på sig skräp och blir ineffektiva när det gäller att locka nya användare eller behålla befintliga.

Algoritmer är dåliga på lyckliga tillfälligheter

Klickhistorik, tid på sidan och söktermer utgör grunden för de flesta sökmotorer. De förlitar sig på dessa digitala fotavtryck för att visa mer av det du redan har ägnat tid åt att titta på eller spela. Det är logiskt ur ett designperspektiv. Men å andra sidan finns det en risk att du aldrig får se just den här typen av förslag. Anledningen är något subtil och bygger på att det aldrig har funnits några tecken på intresse, eftersom du aldrig har blivit introducerad till det. Förr i tiden, innan rekommendationssystem och AI kom in i bilden, var det ”mun-till-mun”-marknadsföring som gällde. När din bror eller syster gav dig en mixkassett med bara några få låtar på, och du plötsligt upptäckte en helt ny subgenre utan att någonsin ha letat efter den.

Innehållstyp	Standardengagemang	Kuraterat engagemang	Viktig observation
Stora träffar	Redan hög	Rör sig knappt	Det är enbart populariteten som gör att dessa titlar upptäcks
Medelstor katalog	Begravda, lätta att missa	Stiger märkbart	Här lönar sig kurateringen särskilt
Nischtitlar	Nästan osynliga	Ökar något	Även bra målgruppsinriktning har sina begränsningar

Rena data har svårt att på egen hand lyfta fram dessa oväntade, roliga val. En sajt som Vegas Stars hanterar ett brett utbud fyllt med kortspel, slots med hög volatilitet och live-dealers som är i tjänst dygnet runt. Det kräver självklart en viss organisation för att ordna ett sådant bibliotek. Algoritmen för maskininlärning sköter den underliggande matematiken medan smart UX/produktdesign fullbordar uppgiften. Om en person skapar ett nytt konto utan tidigare erfarenhet, gör AI och bra innehållskategorier sin magi. Att ordna plattformen på detta sätt säkerställer att spelutbudet inte blir rörigt.

En bra kurering gör stor skillnad

Första gången man besöker Vegas Stars möts man av ungefär 200 separata spelrutor, utan någon klickhistorik bakom sig än så länge. Många äldre rekommendationsmotorer hanterar den här tomma tavlan på ett föråldrat sätt, främst eftersom ingen byggde dem med just det scenariot i åtanke. Vissa slutar med att återanvända samma handfull genrer tills allt på skärmen börjar flyta ihop. Bättre system försöker sig på något mer avancerat: de spårar vad en spelare redan gillar och slänger sedan in en och annan titel utanför det mönstret bara för att se vad som fastnar.

• Klick och sessionens längd säger mer om en spelare än någon undersökning gör.
• Tusentals konton jämförs med varandra genom kollaborativ filtrering, i jakten på överlappningar i vad som spelades eller hoppades över.
• Volatilitet och spelmekanik läses direkt från spelfilerna, så stilmatchningar baseras på data, inte gissningar.
• En stämningsförändring mitt i en session upptäcks också, något som en statisk profil helt enkelt skulle missa.

Ingenjörer har ett namn för det här inledande scenariot, ett nytt konto utan någon historik ännu: cold-start-problemet. Vissa system hanterar det genom att som standard förse nya konton med det som är allmänt populärt tills tillräckligt med beteendedata har samlats in för att kunna anpassa rekommendationerna ordentligt. Andra ställer istället en handfull introduktionsfrågor, och byter därmed en något klumpigare registreringsprocess mot ett försprång när det gäller matchningen. Ingen av lösningarna är perfekt, men båda är bättre än att visa 200 spelrutor slumpmässigt och hoppas att något fastnar.

Två tekniker står för det mesta av den faktiska sorteringen när man börjar titta på allt. För det första fastställer kollaborativ filtrering ett likhetsbetyg mellan ett konto och tusentals andra genom att jämföra de titlar som klickats på, spelats eller till och med ”hoppats över gemensamt”. Innehållsbaserad taggning hoppar över den jämförelsen och läser istället av metadata från varje titel – volatilitetsindex, tema, vinsttabellsstruktur – och matchar sedan dessa attribut mot vad ett konto har gillat tidigare (de två teknikerna körs ofta parallellt istället för att den ena ersätter den andra). Båda metoderna sparar någon från att sitta där och gräva igenom varje katalog för hand.

Om man bryter ner det går det igenom ungefär fem steg, var och ett av dem ganska enkelt:

1. Sessionsdata, kategoripreferenser och hoppmönster matas in i modellen innan något rankas.
2. Individuella profiler matchas mot titlar kopplade till faktisk klickhistorik, inte bara det som är allmänt populärt.
3. Rangordna rätt. Det mesta av engagemanget på en startsidas rutnät sker i de första raderna, vilket är en del av anledningen till att rangordningen väger tyngre än storleken på listan under den.
4. Nya klick, hopp och avslutade sessioner matas tillbaka in som ytterligare träningsdata.
5. Nya utgåvor och förändringar i spelarnas beteende införlivas inom några minuter istället för att vänta på en schemalagd uppdatering.

Hur bättre kurering ser ut på Vegas Stars

Mobilsessioner står för större delen av trafiken på en webbplats som Vegas Stars, och det förändrar vad kurateringen faktiskt måste göra för användaren. En mindre skärm rymmer kanske sex eller åtta synliga rutor innan man måste bläddra, så det som visas i den första synliga raden har en oerhört stor betydelse, liknande den effekt som Netflix-forskningen pekar på när det gäller rutnätet på startsidan. Om den första raden blir fel ser spelaren aldrig resten av utbudet, oavsett hur bra den underliggande matchningen är.

Sedan finns det bordsspel med live-dealers, vilket tillför en helt ny dimension av komplexitet. Anta att du har ett blackjackbord med tre lediga platser och en användare som är intresserad av att delta; du måste koppla ihop dem på millisekunder, inte sekunder som går åt till att bläddra igenom en bokningskalender. Man kan inte bara trycka på ”spela” på en repris när platsen väl är upptagen. Till skillnad från ett videobibliotek på begäran spelar timing en avgörande roll här, för så fort det livebordet fylls är chansen borta för spelaren. Det är som en multiplayer-lobby i vilket Call of Duty-spel eller annat lagspel som helst som man hittar på PlayStation och Xbox.

Utbetalningshastigheten påverkar också upptäckbarheten på ett något indirekt sätt. Spelare som överför pengar via kryptovaluta eller e-plånböcker tenderar att byta session snabbare än någon som väntar i flera dagar på en banköverföring, vilket ger rekommendationsmotorn mindre tid per besök att lära sig något innan det kontot flyttar över till en annan plattform. Snabbare insättningar innebär oftast ett snabbare omdöme om huruvida lobbyn faktiskt fungerade för den spelaren.

Att lyckas med detta kräver verklig teknisk skicklighet. Det kräver snabba, responsiva backend-system i kombination med en layout som är utformad för att matcha vart spelarens fokus faktiskt riktas.

Ansvarsfriskrivning: Spel är en form av underhållning och medför en inneboende risk. Det bör inte ses som en inkomstkälla eller en finansiell strategi. Satsa endast vad du har råd att förlora, sätt strikta gränser och sök hjälp om spelandet påverkar dig. Deltagande är begränsat till vuxna över 18 år. Spela alltid ansvarsfullt.