Системы рекомендаций и поиска видеоконтента.
Количество телеканалов, которые может принимать абонент платного ТВ, исчисляется сотнями. Библиотеки видео по запросу содержат тысячи фильмов и передач. Если телевизор подключен к интернету, дополнительно появляется доступ к неисчислимому количеству видеороликов и каналам web-TV. Однако, что парадоксально, абоненты по-прежнему жалуются, что им нечего смотреть. Чтобы помочь им найти то, что понравится, операторы задумываются о введении системы поиска и рекомендаций. Задача оператора при этом не только улучшить впечатление абонентов от услуги и уменьшить их отток, но и увеличить продажи видео по запросу и премиальных телеканалов.
На рынке существует множество систем поиска и рекомендаций. Некоторые из них — совсем новые, некоторые существуют уже лет десять. Но все они решают более-менее одинаковые задачи. Сначала нужно понять, что нравится зрителю, потом — найти соответствующее видео, потом его предложить — причем так, чтобы пользовательский интерфейс никого не напугал, а управление осуществлялось несколькими кнопками пульта дистанционного управления. Ну, и завершающий этап — оценить эффективность и посчитать доходы.
Сбор информации о видео — люди vs компьютеры
Теоретически в каждом видео — как в отдельном файле библиотеки видео по запросу, так и в потоке цифрового телеканала, хранится некая дополнительная информация о видео — так называемые метаданные. Что-то добавляется автоматически — например, камера отмечает время съемки, часть заполняют монтажеры и редакторы телеканала. Для чтения и редактирования метаданных существуют специальные программы. Помимо встроенных в транспортный контейнер метаданных информация о видео может храниться отдельно — например, при размещении файла на видеохостинге обычно создается текстовое описание и ключевые слова, а при передаче телеканала оператору редакторы отдельно составляют файл с программой передач c их краткими описаниями для включения в EPG.
Однако единообразия в подходах нет, ошибок в этой информации тоже хватает, и в результате использовать такой уже имеющийся у оператора бесплатный источник информации как метаданные и EPG для надежной системы рекомендаций оказывается пока недостаточно.
Компании, реализующей систему поиска и рекомендаций, приходится искать надежный источник информации и заполнять описания самостоятельно. Иногда почти всю работу делает сам оператор. Например, в Рикоре (Активное ТВ) для заполнения описаний передач работает специальная команда модераторов.
Человека можно попытаться заменить алгоритмами искусственного интеллекта, который будет также изучать доступные источники информации. В израильской компании Jinni по имеющимся в открытом доступе текстовым описаниям умеют отбирать список из 40-60 ключевых слов, которые характеризуют настроение видео, его сюжет и стиль. Как поясняют специалисты из компании ThinkAnalytics, которая тоже автоматически классифицирует контент, задача «искусственного интеллекта» — правильно описать и классифицировать видео: «К примеру, в обычном описании фильма написано «комедия». У нас же разных вариантов комедий — с десяток».
В промежуточном варианте оператор может получать такие автоматические данные и вносить какие-то правки и добавления — например, в решении TiVo оператор может выделить специального редактора, который отбирает самые интересные передачи определенного направления.
Но откуда, собственно, взять все эти текстовые описания и градации по жанрам?
Дополнительные текстовые источники
Лучшим источником информации о фильмах и телепередачах считаются специализированные бумажные и электронные журналы c целым штатом редакторов. В Англии это, например, IPC Media — издающий аж пять разных журналов с программкой телепередач, каждый для своей аудитории. Именно данные IPC Media используются в системе поиска и рекомендаций в сети Fetch TV IPVision. В Германии есть издательство Axel Springel, тоже печатающее журналы-программки и предоставляющее базы с метаданными для разработчиков поисковых систем; с этим издательством работает компания Aprico, предоставляющая свое решение для системы поиска и рекомендаций. Решение ROVI использует электронную программу передач от другой известной европейской компании, Informedia из Люксембурга. Когда-то на заре создания Теле-Спутника мы вели с этой компанией переговоры о получении программы передач западных спутниковых каналов.
Для видео по запросу и популярных сериалов в качестве источника информации хорошо подойдут базы данных фильмов в интернете. Например, известнейшая база на сайте imdb.com содержит почти 2 миллиона описаний фильмов и телепередач, и информация динамически обновляется. Но не стоит думать, что пользоваться ими в коммерческих целях можно бесплатно. База доступна операторам кабельного ТВ и прочим желающим за плату от 15 тысяч долларов в год.
Есть более экзотические решения. Например, можно распознать текст аудиодорожки или взять уже имеющиеся субтитры. Для того чтобы справиться с полученным потоком данных, потребуются специальные алгоритмы, использующие информацию о семантике текста (к примеру, такая работа ведется в BBC).
Таким образом, у оператора есть несколько возможных источников информации, и очень часто они используют сразу несколько.
После того как оператор собрал описания передач и фильмов — как в библиотеке видео по запросу, так и для линейных телеканалов, абоненту можно дать возможность фильтровать передачи по жанру, любимым актерам, ключевым словам, длительности показа, времени трансляции и т.п. Но как все-таки достигнуть того, чтобы абоненту почти ничего не нужно было делать, а система магическим образом догадывалась бы, что ему нравится?
Сбор информации об абоненте
Современные телеприставки и телевизоры лишь немногим уступают компьютерам и могут собирать информацию о каждом действии (нажатии кнопки пульта) абонента. Если есть обратный канал, оператор может анализировать эту информацию, но, вообще говоря, это не обязательно — приложение может работать и локально. Например, в решении АктивТВ информация о предпочтениях абонента хранится на приставке. Если у оператора есть обратный канал, он может собирать информацию у себя. Российский системный интегратор, московская компания Smartlabs, разработала для операторов IPTV решение SmartSpy, собирающее статистическую информацию о всех действиях пользователя. Однако пока, по словам менеджеров Smartlabs, российские клиенты компании этими возможностями не пользуются. Наши операторы IPTV интересуются, в основном, тем, какие телеканалы абоненты больше смотрят, чтобы иметь козыри при переговорах с телеканалами, и поэтому анализируют только время, которое абонент тратит на телеканал в целом.
В целом ряде иностранных проектов платного ТВ операторы собирают статистическую информацию о просмотрах конкретных передач — и в рамках линейного вещания, и в варианте видео по запросу. На основе этой информации можно сделать так называемый статистический collaborative filtering. В самом простом варианте отбирается самое популярное видео, которое и предлагается абонентам в виде отдельного списка, отсортированного по жанрам и категориям. В более сложном варианте по результатам строятся графы — Байесовские сети. Теорема Байеса позволяет по фактам (например, статистической информации о просмотре передач) вычислить их вероятность — в данном случае вероятность их просмотра. Строятся графы, описывающие статистическую связь между разными элементами контента, дающие возможность предсказать, какова вероятность, что пользователь, посмотревший данную передачу, посмотрит и какую-то другую. Эти графы можно передавать от оператора к оператору, тем самым снижая время, необходимое для запуска услуги. Особенно хорошо они работают в случае сериалов или повторов передач. Но для совсем новых программ схема не работает — их нужно добавлять в диаграмму на основе каких-то других данных и эвристических алгоритмов. В качестве основного элемента системы поиска и рекомендаций подобные диаграммы на базе паттернов просмотра используют такие производители систем поиска и рекомендаций, как TV Genius (ныне — подразделение компании Red Bee) и Gravity.
Плюсом подобного подхода является то, что можно использовать уже построенные другим оператором графы и не покупать дополнительные метаданные помимо того, что есть в EPG, так как абоненты фильтруют передачи сами. Персональная информация об абоненте тоже может не собираться — достаточно общей статистики просмотров всеми абонентами сети. Наиболее известный пример действия passive collaborative filtering в интернете — это окно «пользователи, которые смотрят этот фильм, смотрят также вот это» на amazon.com или ozon.ru.
У collaborative filtering есть и противники. Например, специалисты ThinkAnalytics считают, что этот подход не позволяет добавить новую передачу кроме как вручную силами оператора — а кредо этой компании состоит в том, что оператор не должен напрягаться. Вместо этого компания предлагает predictive modelling — предсказание выбора пользователя на основании статистических исследований и моделей искусственного интеллекта. К примеру, оказывается, что зрители, которым нравится american wrestling, любят класcическую музыку. Фильтры такие результаты не дадут.
Персонализация — как догадаться, кто перед экраном?
Телевизором обычно пользуется несколько человек, и рекомендовать одно и то же бабушке и внуку будет неразумно. Есть несколько подходов, позволяющих более точно определить, кто в данный момент находится перед экраном. В случае использования описанного выше collaborative filtering учитывается, какая передача просматривалась только что.
Кроме этого, практически все компании используют разные системы выдачи, зависящие от времени дня и дня недели. Некое представление о некоей обычной среднестатистической семье дает возможность оператору считать, что днем ТВ смотрят дети и пенсионеры, вечером и в выходные — вся семья, ночью — молодежь.
Практически все системы предлагают возможность создания профилей — как при совместном пользовании ПК. Но, как показывает практика, абоненты этим почти не пользуются. Заинтересовать абонентов разные производители пытаются по-разному. Aprico, например, предполагает создание персональных каналов. Каждый член семьи отбирает то, что ему интересно в собственный телеканал — то есть занимается программированием и сам заинтересован создавать свой отдельный профиль. По данным компании, 70 процентов зрителей этой возможностью пользуются.
Индивидуальные профили отдельных пользователей помогают создать и мобильные телефоны или компьютеры, подключенные к каким-либо услугам оператора. Например, оператор FreeView в Англии предлагает зрителям единую программу передач, которая доступна не только с ТВ, но и с компьютера и смартфона. Компьютер и телефон используются для того, чтобы пометить какую-то передачу — чтобы потом получить напоминание о ней с возможностью отдать команду на запись. Поскольку компьютер и, тем более, мобильный телефон — персональные устройства, информация об абоненте получается более точной.
Абонента можно и вовлекать в сбор информации. Например, можно предлагать отмечать понравившиеся ему передачи — ставить звездочки-рейтинги, «лайки» в фэйсбуке и т.п. В решении TiVo, которое недавно внедрил английский оператор Virgin Media, абонент может ставить передаче «плюсы» или «минусы» — от одного до трех, то есть получается оценка из 7 баллов. Недавно в ряде EPG в Западной Европе появилась возможность отмечать через фэйсбук просмотренные передачи. Большинство посетителей конференции на IBC2011 отмечали, что это лишнее действие, поэтому они его не делают, даже если смотрят телевизор с планшетником на коленях, но нашлись и те, кто считает эту функцию удобной — например, при просмотре длинного сериала с повторами или таймшифтом удобно отметить, какие именно серии уже просмотрены.
Полная персонализация — интеграция с социальными сетями
Пользователи социальных сетей обычно добровольно предоставляют о себе самую полную информацию — не только пол и возраст, но еще и предпочтения и круг друзей, к мнению которых они готовы прислушаться. Поэтому производители систем поиска и рекомендаций стремятся интегрировать свои решения с социальными сетями. На самом первом этапе телеканалы пользуются социальными сетями для привлечения посетителей на свои сайты, создания сообщества и повышения узнаваемости бренда. Опыт MultiChoice Africa показал, что добавление кнопки «мне нравится», связанной с социальной сетью Facebook, привело к значительному увеличению посещаемости сайта этого оператора. Российский телеканал Дождь, по словам шеф-редактора интернет-вещания Полины Козловской, имеет от 10 до 20 процентов заходов на сайт телеканала из социальных сетей. Следующий шаг в интеграции телевидения и соцсетей — интеграция контента и вывод на телеэкран записей твиттера или Facebook. В ряде телепередач это уже используется. Естественным продолжением будет введение эффективной системы рекомендаций оператора платного ТВ для своих абонентов-участников социальных сетей, которых становится все больше.
Deloite приводит данные о том, что все больше телезрителей обсуждают телепередачи в социальных сетях. По данным notube.tv, 42 процента английских телезрителей, которые одновременно смотрят ТВ и подключены к инернету, обсуждают и рекомендуют телепередачи в социальных сетях, а к 2013 году произойдет конвергенция ТВ и ПК.
Тенденции в этом направлении заметны каждому — телевизор все больше смотрится не совместно всей семьей, а по отдельности — на разных экранах, а чувство общности создают социальные сети. Операторы платного ТВ должны заранее подготовиться и продумать соответствующие системы рекомендаций для этой аудитории.
notube.tv ориентируется именно на пользователей компьютеров и планшетников и занимается разработкой систем рекомендаций на основе социальных сетей. Остальные разработчики решений менее радикальны, но тоже начинают с ними работу. На IBC 2011 TV Genius показала новую разработку — рекомендации на базе Facebook. Исследования показали, что в США у каждого пользователя в среднем около 150 друзей и каждый отметил около трех телепередач, поэтому пользователь Facebook, подключающийся к приложению TV Genius, сразу получает рекомендации от своего круга. Другая новинка компании — оценка количества твитов с упоминанием передачи. Интересно, что большое количество твитов, как показала практика, характерно как для очень интересных, так и для самых «отстойных» передач. «Серединка на половинку» не вызывает у телезрителей желания высказаться.
Абсолютный контроль — знать о пользователе все
Существуют еще более радикальные решения, нежели интеграция с социальными сетями, где пользователь все-таки сам рассказывает о себе то, что считает нужным. Например, японская вещательная корпорация NHK рассматривает возможности распознавания голоса и выражения лица пользователя перед экраном, а к тому же изучает окружающие его предметы — «контекст» пользователя в данный конкретный момент. В зависимости от этого контекста абоненту можно предлагать нужную информацию. К счастью, это пока только исследования. В системе рекомендаций HybridCast, которую разработала NHK для программ VOD в рамках гибридного решения для вещательного телевидения и интернета, используются обычные социальные сети и рейтинги, которые составляют абоненты.
Паранойя
Пользователи интернета давно привыкли, что многие сайты анализируют их поведение на странице, поисковые запросы, тексты и видео, которые они смотрят. Скорее всего, очень небольшое количество пользователей беспокоится об этом и стирает куки и кэш в своем интернет-браузере. Аналогично производители предполагают, что и сбор информации о пользователе для системы поиска и рекомендаций вызовет негативную реакцию только у незначительного количества телезрителей. Ясно, что ее нужно предусмотреть и давать пользователю возможность отключать систему рекомендаций, или хранить персональную информацию о пользователе на устройстве пользователя, или использовать только общую статистическую информацию без ее привязки к конкретным абонентам.
Как это совместить — как люди выбирают, что им смотреть?
И вот тут начинают работу социологи и психологи. Насколько человек склонен следовать рекомендациям? Каким он доверяет больше?
Результаты исследований поведения пользователей, проведенные в Западной Европе компанией TV Genius, показывают, что при поиске видео в интернете люди действительно следуют советам друзей или случайным рекомендациям. А вот при поиске и просмотре телепередач на телевизоре все происходит не так. Абоненты внимательно слушают советы родных и друзей о том, что им стоит посмотреть, но в 95 процентах случаев этим рекомендациям не следуют! Так что рекомендации друзей компания советует ставить на последнее место.
В остальном производители решений делятся на две группы. Одни считают, что основой для систем рекомендаций нужно брать описания передач, составленные специалистами — редакторами и критиками из специализированных журналов и сайтов. Другие — что в первую очередь нужно использовать collaborative filtering. Если есть обратная связь, то по мере накопления информации об абоненте система collaborative filtering начинает работать все лучше — например, компания Gravity сначала предлагает абоненту передачи, которые выбирает большинство, с учетом его местонахождения и времени суток, а затем «группа по интересам» определяется все более точно.
В общем случае компании-разработчики стараются внедрить максимальное количество разнообразных фильтров. В решении Compass компании ORCA Interactive, например, их семь. Самое популярное видео, похожее видео, продвигаемое оператором, выбор критиков, рекомендации из соцсетей, и т.д. Фильтров так много потому, что Orca предлагает операторам самим настроить систему под себя и выбрать то, что кажется правильным.
В Bee подход обратный. Операторам не предлагается проводить исследовательскую работу, количество фильтров сокращено до четырех (контекст, информация из соцсетей, collaborative filtering и семантический фильтр), причем зритель видит результаты сразу трех (больше трех уже было бы слишком сложно для восприятия) . В результате настройкой занимается не оператор, а зритель. Bee также отмечает важность способа представления результатов. Нужно выдавать не текстовую информацию, а трейлеры, пользователям это нравится гораздо больше.
Все опрошенные компании-разработчики в своих системах поиска и рекомендаций используют все доступные пользователю источники видео — линейное вещание, VOD, отложенный просмотр (catch UP TV), видео, записанное на цифровой видеомагнитофон. При этом результаты выдачи зависят от устройства, с которого приходит запрос. Например, в решении Bee при поиске с мобильника в выдаче будут более короткие фильмы.
Специалисты компании Gravity отмечают, что вкусы и предпочтения отдельного телезрителя и всего общества со временем меняются, поэтому система должна не просто накапливать данные, но и отслеживать эти изменения.
Параметров поиска и выдачи настолько много, что системы становятся действительно сложными. Чаще всего операторам предлагаются системы с максимально возможным числом параметров, на базе которых они смогут понять, как эффективно работать с системой непосредственно на их абонентсткой базе. Но на то, чтобы адаптировать решение под своих абонентов и добиться его эффективной работы, по мнению TV Genius, у оператора уходит около двух лет.
Кому это выгодно, и кто станет это внедрять?
Как уже говорилось выше, оператор платного ТВ может быть заинтересован в введении системы рекомендаций, чтобы просто повысить лояльность абонента, потому что абонент, который считает, что смотреть нечего, склонен отказаться от услуг. Аналогичные причины — желание максимально соответствовать персональным потребностям абонента — подвигают оператора предлагать абоненту возможность составлять фаворитные списки и вводить поканальную подписку.
Таким образом, внедрение системы рекомендаций может теоретически снизить отток абонентов.
Есть еще и другой момент. Обычно производители решений дают возможность оператору влиять на выдачу результатов поиска. Абоненту в первых рядах будут предложены релевантные, но платные материалы — видео по запросу, передачи, идущие на каналах премиального пакета. Как поясняет английский оператор fetch TV, сам абонент заходит в раздел VOD, только если смотреть ему совсем уж нечего. Поэтому оператору выгодно предлагать фильмы из библиотеки VOD среди прочих программ.
Библиотека видео по запросу, в которой работает система рекомендаций, начинает более эффективно предлагать зрителям редко просматриваемые фильмы — так называемые long tail — и поэтому становится менее затратной для оператора, чем когда всем зрителям предлагаются популярные блокбастеры. Оператор также сможет размещать в результатах поиска рекламу в соответствии с интересами абонента.
Однако нужно помнить, что система рекомендаций не бесплатна, оператор платит и за алгоритмы, и за дополнительную информацию о контенте. Пока системы рекомендаций только развиваются, и ни один оператор не дает точных данных об экономическом эффекте от их внедрения.
Пионерами в использовании систем поиска и рекомендаций стали операторы IPTV самого разного масштаба. Например, решение Orca Compass начинают внедрять грузинский оператор Silknet и французский France Telecom.Спутниковое ТВ тоже использует рекомендации — вспомним российский Актив ТВ, где не требуется даже обратного канала. Если же он есть, возможностей еще больше. Решение ThinkAnalytics, например, использует английский Sky c его 11 миллионами пользователей и обратным каналом через наземную сеть.
Введение системы рекомендаций оказывается экономически выгодным для производителей телевизионных приставок, работающих с видео в интернете. Хороший пример эффективности — цифровой видеомагнитофон TiVo, записывающий как операторский контент, так и видео из интернета. TiVo пользуется успехом именно потому, что позволяет абонентам искать и записывать телепрограммы, и занимается этими разработками с самого начала своего существования — около десяти лет. Как поясняют специалисты компании, «для пользователей за пределами США компания предлагает в первую очередь не приставки, а технологическое решение для производителей приставок». В 2010 году TiVo объявила о партнерстве с компанией Conax для того, чтобы теперь кабельным операторам, использующим систему доступа Conax, было проще интегрировать соответствующую услугу. В 2011 году TiVo запустила решение для Virgin, английского оператора кабельного ТВ, которое, по словам оператора, оказалось очень успешным и позволило заметно увеличить продажи новых дорогих приставок. У Orca Interactive тоже есть решение для приставок, которое реализовано совместно с ее родительской компанией Viaccess и внедрено у шведского оператора Boxer (boxer.se).
Aprico тоже предлагает свое решение производителям приставок и медиацентров, с 2011 года оно интегрировано с Irdeto. А у Rovi есть решение даже для конечного пользователя — компания разрабатывает метаданные для книг, видео, игр, аудио для системы управления медиаданными в домашней сети.
Системы рекомендаций и поиска также обычно предлагаются и в виде онлайн-версии — как приложение к программе передач оператора, которую тот выкладывает на сайте, или даже как отдельный продукт для поиска интернет-видео — см, например, watchmi.tv от Aprico, bee.tv, jinni.com и tivo.com, но для конечного пользователя в России это достаточно бесполезно, так как сервисы ориентированы на жителей определенных стран, и программы передач туда заложены соответствующие.
Один из самых интересных, на наш взгляд, примеров внедрения — гибридная услуга Fetch TV, запущенная в 2009 году в Великобритании. По сути, Fetch TV — это аггрегатор, посредник между производителями контента и абонентом, поэтому может выжить только за счет по-настоящему качественной услуги. Он предлагает абонентам приставку для 50 бесплатных эфирных телеканалов и видеоуслуг, передаваемых через интернет, в частности услуг отложенного просмотра целого ряда телеканалов, куда входят бесплатный BBC iPlayer и платный Sky Go. Есть и библиотека видео по запросу с 3 тысячами часов. Оператор с самого начала предлагал абонентам возможность подписки на отдельный канал, услугу или пакет с возможностью хоть каждый месяц менять свои предпочтения, систему рекомендаций и удобный EPG. Сейчас он уже начал тестирование персональной рекламы (пре и пост-роллов).
Проблемы
Итак, системы поиска и рекомендаций начали свое развитие. Как же участники рынка видят стоящие перед ними проблемы? Как мне пояснили в компании ORCA, это:
1. Необходимость создания убедительной бизнес-модели. Важно доказать операторам, что с помощью системы поиска и рекомендаций можно заработать денег, а не просто в какой-то мере улучшить предоставляемые услуги. В компании Gravity считают, что проблема решается легко, если стоимость решения зависит от финансовых результатов его внедрения. Доход Gravity зависит от увеличения продажмонетизации на стороне клиента относительно показателей, зафиксированных до начала эксплуатации рекомендательного решения. Компания специализируется на рекомендациях, связанных с рекламой продуктов и услуг, и поэтому преимущества от внедрения ее решения поддаются подсчету. В общем случае это, конечно, не так.
2. Разработка единых стандартов для метаданных. Решением этой задачи занимаются исследовательские организации типа BBC, NBC и NoTube, и не только с точки зрения улучшения систем рекомендаций, но и в рамках проектов гибридного ТВ, использующего интернет-каналы в дополнение к вещанию.
3. Простой интерфейс. Абоненту должно быть удобно пользоваться системой. Нужно помнить, что телевизор — это не компьютер с его мышкой и клавиатурой!
4. TninkAnalytics добавлет, что пользователь не очень склонен вводить информацию о себе и пока не убедится в удобности системы рекомендаций, дает минимальную. Соответственно, система рекомендаций должна работать и в этом случае — то есть необходимо поддерживать несколько стратегий.
5. Проблемы, которые добавляют специалисты компании TV Genious, — это недостаточность ресурсов устройств типа телевизоров и приставок. Производители стремятся экономить и поэтому не используют самые современные процессоры. В результате памяти и мощности недостаточно для быстрого и качественного поиска на самом устройстве. Именно поэтому тема поиска и рекомендаций появляется только теперь, когда эти устройства подключаются к интернету и есть возможность организовать процесс на стороне сервера оператора или даже на серверах производителя решения — предоставить услугу в формате SaaS (как готовую услугу, полностью реализуемую на стороне поставщика решения).
6. Еще одна проблема — трудности разработки поисковых алгоритмов. Видео ищется по-другому — нужны, например, дополнительные алгоритмы для отбора самых свежих версий телесериала.
7. Прозрачность поиска. По мнению TV Genius, для пользователей должно быть понятно, почему им рекомендуется та или другая передача, а если результат не соответствует ожиданиям, должна быть возможность его скорректировать — убрать передачу, которая не нравится так, чтобы больше ее не было в результатах выдачи.
8. Со стороны операторов при выборе системы нужно, конечно, учитывать и то, как она будет взаимодействовать с имеющейся инфраструктурой, сколько места и ресурсов потребует работа приложения в STB, а также сколько она будет стоить.
Решения для систем поиска и рекомендаций разрабатывают производители UI для абонентских устройств — например, NDS, ANT, TiVo; компании, которые занимаются обработкой информации и алгоритмами искусственного интеллекта — TninkAnalytics, Jinni; компании, работающие в области решений для IPTV — Orca; несколько специализированных компаний, которые занимаются только поиском и рекомендациями — TV Genius, Aprico, ROVI, Bee, Gravity RD. Несколько лет назад такие компании отделялись от исследовательских групп или возникали как стартапы, сейчас же идет, скорее, процесс объединения, особенно в рамках создания платформ для распространения видео в разных средах и на различные устройства.
