Im Zeitraum von September 2020 bis Januar 2022 wurde Cinuru durch das Programm „Brandenburger Innovationsgutschein - Forschung und Entwicklung (BIG-FuE)“ gefördert. Dieses Programm ermöglichte es unsere innovative Cinuru-Technologie um zwei neue Bereiche zu erweitern:
White-Label Apps und Omni-Channel Campaigning.
Cinuru war bisher vor allem für die gleichnamige App („Cinuru-App“) bekannt und zeichnete sich besonders durch das innovative Kundenbindungsprogramm und die personalisierten Filmempfehlungen aus.
Durch unsere Forschungs- und Entwicklungsleistungen innerhalb des Programms können wir nun weitere Produkte für neue Kundenkreise anbieten.
Der „Cinuru-App-Baukasten“ verhilft Kinobetreibern nun schnell, einfach und kosteneffizient zur individuell angepassten App.
Viele Kinobetreiber waren bisher von den Möglichkeiten der Cinuru-App begeistert, wollten jedoch lieber eine eigene App veröffentlichen, anstatt eine App mit weiteren Kinos teilen zu müssen.
Dank des Cinuru-Baukastensystems ist dies nun in kürzester Zeit möglich.
Wir haben dazu eine hauseigene Tool-Chain entwickelt, die es uns ermöglicht, mit geringstem Aufwand eine komplett auf das Kino angepasste App zu erstellen. Der Baukasten enthält eine Vielzahl standardisierter Komponenten (z.B. Kinoprogramm, Filminformationen, Kinoinformationen, Bonusprogramm, Filmempfehlungen, Push-Nachrichten Sonderveranstaltungen, uvm.). Zusätzlich kann Cinuru aber auch auf spezifische Entwicklungswünsche eingehen, individuelle Anpassungen vornehmen und diese nahtlos integrieren. Ein Beispiel für einen Hybrid aus Baukasten- und Individuallösung ist unser Kunde „Drehwerk 17/19“. Der Kunde betreibt neben dem Kino auch eine Kleinkunstbühne und ein Restaurant. Die für "Drehwerk 17/19“ entwickelte App besteht zum einen aus Komponenten des Cinuru-App-Baukastens (Kinoteil) und zum anderen aus individuellen Anpassungen (z.B. Bistro mit Speisekarte).
Cinuru hat langjährige Erfahrung darin, personalisierte Filmempfehlungen automatisiert zu erzeugen.
Bisher war diese Funktionalität auf die Cinuru-App beschränkt. Um diese Limitierung aufzuheben, haben wir im Rahmen des Forschungs- und Entwicklungsprojekts unsere Recommender-Pipeline von Grund auf neu geschrieben. Dadurch können wir nun auch Empfehlungen auf anderen Kanälen ausspielen (z.B. Newsletter, Website).
Es war wichtig die Algorithmen so anzupassen, dass sie künftig mit verschiedenen Datenquellen arbeiten können. Als Eingabe dienten bisher ausschließlich die in der App erhoben Daten (z.B. welche Trailer wurden vom Nutzer angeschaut, für welche Filme hat ein Nutzer Tickets gekauft, etc.). Die Datenerfassung über eine App ist glücklicherweise sehr ergiebig, da die meisten Nutzer die App über einen langen Zeitraum verwenden und pro Sitzung mit vielen Filmen interagieren. So kann der Algorithmus den Filmgeschmack eines Nutzers genauestens verstehen und akkurate Vorhersagen daraus interpolieren.
Im Gegensatz dazu sind die Nutzerprofile einer Website oder eines Newsletterempfängers deutlich „flacher“. Man hat schlichtweg weniger Datenpunkte, um den Filmgeschmack hinreichend genug verstehen zu können. Im Rahmen dieses Forschungsprojekts haben wir nun eine Technologie entwickelt, die das Beste aus beiden Welten (Qualität und Quantität) vereint: Aus den umfangreichen Daten der App leiten wir zunächst ein sehr genaues Verständnis darüber ab, wie Nutzer mit Filmen interagieren. Anschließend können wir diesen „Geschmacksraum“ nutzen, um auch für initiale Nutzer mit wenigen Datenpunkten (Web-Nutzer, Newsletterempfänger, etc.) möglichst zutreffende Filmempfehlungen zu generieren. Die Reichweite des Filmempfehlungsalgorithmus wird somit auf weitere Nutzerprofile im Open-Web ausgedehnt. Die dabei entstehenden neuen Datenpunkte werden dem Algorithmus wiederum zur detaillierteren und verbesserten Analyse zur Verfügung gestellt, usw..
Als zentrale Herausforderung galt die Vermeidung von "Overfitting" in den Modellen, um eine Vereinheitlichung der Modelle über Datenquellen hinweg zu ermöglichen. Außerdem unterlag das Feature-Engineering dem Anspruch, das über Jahre hinweg gesammelte Fach- und Datenwissen innerhalb des Cinuru-Teams einzubeziehen.
Der Kino-Fokus stellt an sich bereits eine besondere Herausforderung dar. Während es viele publizierte Modelle zum Thema Filmempfehlungen im Bereich Streaming gibt, sind diese Modelle nicht auf das Kino übertragbar. Schon an einem sehr einfachen Beispiel lässt sich dies verdeutlichen: Während ein Streaming-Anbieter dem Nutzer tausende Filmtitel auf Knopfdruck bereitstellen kann, hat ein Kino in der Regel nur eine ein- bis zweistellige Zahl an Filmen im Programm. Allerdings ist der Katalog bei Streamern relativ konstant und verändert sich nur langsam, wohingegen im Kino jede Woche neue Filme starten und andere Filme aus dem Programm verschwinden. Dies stellt gerade in Zeiten der „Filmflut“ ein großes Problem für jeden Algorithmus dar.
Während dieses Problem noch naheliegend ist, gibt es unzählige weitere Besonderheiten, die sich erst erschließen, wenn man lange mit Daten aus dem Kinobereich arbeitet. Natürlich können wir hier nicht all unsere „Geheimnisse“ verraten. Ein Beispiel soll dennoch zur Verdeutlichung dienen: Bei der Berechnung von Filmähnlichkeiten benötigt man Algorithmen, die sich komplett von allen herkömmlichen Ähnlichkeitskriterien der Streaming- oder E-Commerce-Branche unterscheiden. Warum? App-Nutzer nutzen die Kino-App bei der ersten Sitzung besonders umfangreich, um alle Features zu erkunden. Sie klicken dabei beispielsweise Filme an, die sie „normalerweise“ nie betrachten würden. Die Kombination aus solchen "verunreinigten" Datenpunkten und dem wöchentlich wechselnden Programm führen herkömmliche Algorithmen schnell in die Irre. Lässt man einen „normalen“ Algorithmus über die Daten laufen, sind immer solche Filme ähnlich zueinander, die ein ähnliches Startdatum haben. Für sich genommen sind das natürlich jeweils kleine Abweichungen. Da eine Vielzahl dieser kleineren Ungenauigkeiten jedoch das Potenzial hat, die Gesamtanalyse massiv zu verfälschen, gilt es die "Kleinigkeiten" zu bereinigen, um einen signifikanten Wirkungsunterschied im Bezug auf individualisierte Filmempfehlungen zu erreichen.
Solche Rahmenbedingungen müssen bei der Gestaltung der Empfehlungsalgorithmen berücksichtigt werden, was wiederum nur durch Branchenkenntnis möglich ist. Hier zeichnet sich unser Team durch sein(Filmproduktion/Vermarktung und IT) besonders aus
Wir danken den Förderern, dem Ministerium für Wirtschaft, Arbeit und Energie des Landes Brandenburg (MWAE) sowie der Investitions- und Landesbank Brandenburg (ILB) sehr für die Unterstützung dieses Projekts.
Großer Dank gebührt auch der Wirtschaftsförderung Brandenburg (WFBB) sowie unseren Fördermittelberatern (ATeNe GmbH) für die Unterstützung vor Antragstellung und im Laufe des Projekts.
Durch dieses Förderprogramm können wir gestärkt aus dieser schweren Zeit heraus gehen und mit neuen Produkten den nationalen und internationalen Kinomarkt bedienen.