原書用 Netflix 說明人工智慧如何透過個人化推薦提升使用者體驗與留存。
能辨識推薦系統的資料來源、成功因素與商業影響。
Netflix 使用觀看紀錄、使用者互動與內容屬性等大量資料，為個別使用者推薦電影與節目。
| 原書資訊 | 內容 |
|---|---|
| 全球使用者規模 | 超過 2.3 億 |
| 主要資料 | 觀看紀錄、使用者互動、內容屬性 |
| 主要目標 | 提升內容發現、觀看時間與訂閱留存 |
把案例拆成資料利用、個人化體驗、可擴充性與留存影響四個面向分析。
原書沒有提供可直接計算的營收、流失率或演算法精度數字，因此不自行推算。
推薦引擎的價值不只在「預測喜歡什麼」，而是把個人化體驗連到觀看時間、留存與競爭優勢。
根據以上原書資料，整理 Netflix 推薦系統的資料來源、成功因素、商業價值與仍需查證的量化指標；不得自行捏造流失率或營收數字。
問題： 若推薦準確但內容探索變窄，管理上還需要觀察什麼？
參考解答： 應同時觀察內容多樣性、長期留存、觀看深度與使用者滿意度，不能只看單次點擊。