Netflix — keuzearchitectuur op schaal
Behandelt colleges
F2-11 · F2-02 · F2-03
Netflix — keuzearchitectuur op schaal
Module: F2, Consumentengedrag Type: Casestudy digitaal consumentengedrag Kruisverwijzingen: F2-11 (ethiek en consumentenbescherming), F2-02 (dual-process theorie), F2-03 (cognitieve biases en heuristieken)
De situatie
Netflix heeft een probleem waar de meeste bedrijven jaloers op zouden zijn. Het heeft te veel product.
In 2024 bevat Netflix' wereldwijde bibliotheek ongeveer 15.000-17.000 titels, variërend per markt. Op het hoogtepunt overschreed de Amerikaanse bibliotheek 15.000 titels. Wereldwijd, over alle markten heen, heeft het platform toegang geboden tot meer dan 35.000 verschillende stukken content. Elke maand worden honderden nieuwe titels toegevoegd, originele producties, gelicenseerde content, films, series, documentaires, specials. De catalogus is uitgebreid, divers en groeit continu.
Deze overvloed creëert een paradox. Het doel van een contentplatform is om consumenten te verbinden met content die ze leuk vinden. Maar het enorme volume aan opties maakt deze verbinding cognitief moeilijk. Onderzoek toont consistent aan dat Netflix-gebruikers gemiddeld 60 tot 90 seconden besteden aan browsen voordat ze iets selecteren om te bekijken of de sessie helemaal afbreken. In die 60 tot 90 seconden moet een consument navigeren door duizenden potentiële keuzes en tot een beslissing komen, of opgeven, de app sluiten en iets anders kijken (of helemaal niets).
Netflix begreep, eerder dan de meeste digitale platforms, dat de uitdaging niet was om genoeg content te hebben. De uitdaging was het managen van de cognitieve ervaring van kiezen. Het bedrijf dat het keuzeprobleem oploste zou winnen, niet door meer content te hebben dan concurrenten, maar door het gemakkelijker te maken voor consumenten om content te vinden die ze wilden bekijken.
Netflix' antwoord op deze uitdaging is een van de meest geavanceerde toepassingen van keuzearchitectuur in digitale handel. Door aanbevelingsalgoritmen, gepersonaliseerde artwork, standaard-nudges, verankeringsapparaten en interface-ontwerpbeslissingen heeft Netflix een omgeving gebouwd die systematisch de cognitieve inspanning van kiezen vermindert, consumenten richting content stuurt die ze waarschijnlijk leuk vinden, terwijl de angst, verlamming en ontevredenheid die gepaard gaan met buitensporige keuze worden geminimaliseerd.
Deze case onderzoekt Netflix' keuzearchitectuur door de lens van consumentengedragstheorie, met name de keuzeparadox, dual-process theorie en de ethiek van digitaal nudgen.
De data
De keuzeparadox
Barry Schwartz' (2004) keuzeparadox biedt het theoretische fundament voor het begrijpen van Netflix' strategische uitdaging. Schwartz betoogde, voortbouwend op Iyengar en Leppers (2000) jamstudie en gerelateerd onderzoek, dat het vergroten van het aantal beschikbare opties voor een consument de tevredenheid niet monotoon verhoogt. Voorbij een bepaald punt leidt meer keuze tot slechtere uitkomsten: grotere angst, verhoogde beslissingsmoeilijkheid, lagere tevredenheid met de gekozen optie en hogere percentages beslissingsvermijding (helemaal niets kiezen).
Iyengar en Leppers (2000) beroemde experiment bij een delicatessenwinkel demonstreerde het principe. Toen consumenten 24 variëteiten jam aangeboden kregen, stopte 60% om te proeven maar kocht slechts 3%. Toen 6 variëteiten werden aangeboden, stopte 40% maar kocht 30%. De uitgebreide keuze trok aandacht maar verlamde de besluitvorming. De beperkte keuze trok minder aandacht maar converteerde tien keer zo goed.
Netflix' contentbibliotheek is de jamtafel opgeschaald tot industriële proporties. Vijftienduizend titels is geen selectie, het is een cognitieve aanval. Zonder interventie zou een consument die met dit volume aan keuze wordt geconfronteerd precies de effecten ervaren die Schwartz voorspelt: angst om de verkeerde keuze te maken, moeite met het vergelijken van opties, spijtgevoelens na de keuze over de niet-geselecteerde opties en, het meest commercieel schadelijk voor Netflix, beslissingsvermijding, waarbij de consument de app sluit en iets anders gaat doen.
Netflix' interne onderzoek heeft deze dynamieken bevestigd. De ingenieurs en productonderzoekers van het bedrijf hebben uitgebreid gepubliceerd over de relatie tussen browsetijd en sessieresultaten. De data zijn consistent: sessies waarin gebruikers binnen de eerste 60-90 seconden iets vinden om te bekijken leiden significant vaker tot uitgebreid kijkgedrag. Sessies waarin het browsen langer dan twee minuten duurt eindigen significant vaker in het afbreken. Elke extra seconde browsen is een seconde dichter bij de consument die niets kiest.
Dit herformuleert Netflix' concurrentie-uitdaging. Het bedrijf concurreert niet primair op contentvolume (hoewel de contentinvestering enorm is, meer dan $17 miljard in 2024). Het concurreert op keuzereductie, op het vermogen om een overweldigende catalogus om te vormen tot een gecureerde, gepersonaliseerde, cognitief hanteerbare set opties die een consument in minder dan twee minuten kan navigeren.
Het aanbevelingsalgoritme
Netflix' aanbevelingssysteem is de kern van zijn keuzearchitectuur. Het algoritme, of preciezer, het ensemble van algoritmen, analyseert kijkgeschiedenis, browsegedrag, beoordelingen, tijdstip van de dag, apparaattype en andere signalen om te voorspellen welke titels een gegeven gebruiker het meest waarschijnlijk zal bekijken en waarderen.
Collaborative filtering. De fundamentele techniek, overgenomen van Netflix' vroege aanbevelingswerk, identificeert gebruikers met vergelijkbare kijkpatronen en beveelt content aan die vergelijkbare gebruikers hebben bekeken. Als Gebruiker A en Gebruiker B allebei titels X, Y en Z hebben bekeken en leuk gevonden, en Gebruiker B ook titel W heeft bekeken, zal het systeem titel W aan Gebruiker A aanbevelen. Deze aanpak benut het social proof-principe op algoritmische schaal, "mensen zoals jij keken dit", zonder bewuste gewaarwording van het social proof-mechanisme.
Content-based filtering. Het algoritme analyseert ook de attributen van content zelf, genre, cast, regisseur, tempo, toon, visuele stijl, narratieve structuur, en matcht deze attributen met gebruikersvoorkeuren. Netflix zet beroemd menselijke taggers in die gedetailleerde attributen aan elke titel toekennen, waarmee een contentgenoom wordt gecreëerd dat veel verder gaat dan standaard genrecategorieën. Een film is niet alleen "thriller", het is "donkere Scandinavische thriller met een sterke vrouwelijke hoofdrol en niet-lineair narratief." Deze granulariteit maakt aanbevelingen mogelijk die genuanceerde smaakvoorkeuren weerspiegelen.
Contextuele signalen. Het algoritme neemt contextuele factoren mee: tijdstip van de dag (lichtere content in de avond, andere aanbevelingen in het weekend), apparaat (kortere content op mobiel, langere op televisie) en recentheid (recent uitgebrachte titels krijgen een boost). Deze contextuele aanpassingen weerspiegelen een begrip dat consumentenvoorkeuren geen stabiele eigenschappen zijn maar situationele toestanden, wat iemand op een dinsdagavond op zijn telefoon wil kijken verschilt van wat ze op een zaterdagmiddag op hun televisie willen.
Het 80%-cijfer. Netflix heeft gemeld dat ongeveer 80% van de bekeken contenturen op het platform wordt aangedreven door algoritmische aanbeveling in plaats van actief zoeken. Dit cijfer illustreert de mate waarin Netflix' keuzearchitectuur de relatie tussen consument en content medieert. De meerderheid van wat mensen op Netflix kijken is niet iets wat ze zelf hebben opgezocht, het is iets wat het platform heeft voorgesteld.
Gepersonaliseerde artwork
Een van Netflix' meest innovatieve, en minst breed begrepen, keuzearchitectuurtechnieken is gepersonaliseerde artwork. Dezelfde titel wordt aan verschillende gebruikers gepresenteerd met verschillende thumbnailafbeeldingen, algoritmisch geselecteerd om de kans te maximaliseren dat elke gebruiker zal klikken.
Neem een film met zowel een romantische subplot als actiescènes. Een gebruiker wiens kijkgeschiedenis een voorkeur voor romantiek suggereert, ziet mogelijk een thumbnail met de hoofdpersonages in een intiem moment. Een gebruiker wiens geschiedenis een voorkeur voor actie suggereert, ziet mogelijk een thumbnail met een explosie of een achtervolgingsscène. De content is identiek, de visuele framing van die content is gepersonaliseerd.
Netflix-ingenieurs hebben onderzoek gepubliceerd dat aantoont dat gepersonaliseerde artwork click-through rates significant verhoogt. Het mechanisme is eenvoudig vanuit een consumentengedragsperspectief: de thumbnail is het eerste stukje informatie dat een gebruiker tegenkomt over een titel, en het activeert System 1-verwerking, een snelle, intuïtieve beoordeling van of de content er aantrekkelijk uitziet. Door de thumbnail af te stemmen op de bekende voorkeuren van de gebruiker, vergroot Netflix de kans dat deze System 1-beoordeling positief zal zijn.
De techniek werkt omdat consumenten content niet rationeel evalueren tijdens het browsen. Ze scannen, reageren en klikken, of scrollen voorbij. De browse-ervaring is bijna volledig System 1: snel, affectief en gedreven door visuele signalen in plaats van overwogen analyse. Netflix' gepersonaliseerde artwork is ontworpen voor deze System 1-browsemodus, waarbij elke titel wordt gepresenteerd in het frame dat het meest waarschijnlijk een onmiddellijke positieve respons genereert.
Autoplay als standaard-nudge
Netflix' autoplay-functie, die automatisch begint met het afspelen van een trailer of preview nadat een gebruiker een paar seconden op een titel is blijven hangen, en automatisch de volgende aflevering in een serie afspeelt nadat de huidige is afgelopen, is een klassieke standaard-nudge.
Thaler en Sunsteins (2008) nudge-raamwerk identificeert standaarden als een van de krachtigste instrumenten in keuzearchitectuur. De standaardoptie, de optie die geldt als de consument geen actie onderneemt, heeft enorme invloed op gedrag omdat het status quo bias exploiteert (de neiging om bij de huidige situatie te blijven) en de inspanning elimineert die nodig is om een actieve keuze te maken.
Netflix' autoplay-standaarden zijn ontworpen om wrijving te verminderen op twee kritieke beslismomenten:
De browse-naar-kijk-overgang. Wanneer een gebruiker aan het browsen is en pauzeert op een titel, vermindert de automatische preview de overwegingstijd die nodig is om te beslissen of je wilt kijken. In plaats van een beschrijving te lezen, het genre te overwegen en een bewuste beslissing te nemen om op "Afspelen" te klikken, ziet de gebruiker de content beginnen, en de standaard verschuift van "niet aan het kijken" naar "aan het kijken." Het stoppen van de preview vereist actieve inspanning; doorgaan met kijken vereist geen inspanning. De standaard begunstigt engagement.
De aflevering-naar-aflevering-overgang. Wanneer een aflevering eindigt, creëert het automatische aftellen naar de volgende aflevering een standaard van doorlopend kijken. De consument moet actief kiezen om te stoppen met kijken; doorgaan vereist geen actie. Deze standaard is verantwoordelijk voor het "binge-watching"-gedrag dat Netflix zowel heeft mogelijk gemaakt als gemonetariseerd. Het eigen onderzoek van het bedrijf heeft aangetoond dat autoplay tussen afleveringen de totale kijktijd per sessie significant verhoogt.
De "82% match"-score
Netflix toont een gepersonaliseerde matchscore naast titels, "82% Match," "95% Match", die de voorspelling van het algoritme aangeeft van hoe waarschijnlijk het is dat de gebruiker de content leuk vindt. Deze score functioneert als een verankeringsapparaat.
Het verankeringseffect (Tversky en Kahneman, 1974) beschrijft de neiging van een eerste stukje informatie om latere oordelen disproportioneel te beïnvloeden. Een hoge matchscore verankert de verwachting van de gebruiker: "Netflix denkt dat ik dit 95% leuk vind." Dit anker beïnvloedt de beslissing om te klikken, de eerste ervaring van het kijken (confirmatiebiase leidt ertoe dat de gebruiker aspecten opmerkt die de hoge match bevestigen) en de evaluatie na het kijken.
De matchscore dient ook als een autoriteitsaanwijzing, een beroep op de expertise van het algoritme. Cialdini's (2006) autoriteitsprincipe stelt dat mensen eerder geneigd zijn de suggesties van waargenomen experts op te volgen. De matchscore positioneert het algoritme als een expert op het gebied van de smaak van de gebruiker, en de gebruiker volgt deze expertise door titels met hoge matchscores te selecteren en titels met lage scores te vermijden.
Netflix heeft door de jaren heen met het formaat van deze score geëxperimenteerd, het was eerder een vijfsterrensysteem, dat werd vervangen door het percentage match. De verschuiving was bewust: onderzoek toonde aan dat gebruikers sterbeoordelingen interpreteerden als kwaliteitsoordelen (en terughoudend waren om iets onder vier sterren te kijken), terwijl percentage-matches werden geïnterpreteerd als persoonlijke relevantie-oordelen (en effectiever waren in het stimuleren van het uitproberen van content die goed bij individuele smaak paste maar niet universeel geprezen was).
Churn verminderen door keuzearchitectuur
Netflix' keuzearchitectuur is niet slechts een functie van het product, het is de primaire concurrentiegreppel van het product. Het bedrijf heeft, door uitgebreide analyse van churndata, geleerd dat abonnees die er niet in slagen bevredigende content te vinden binnen hun eerste paar sessies significant meer kans hebben om op te zeggen. De correlatie tussen aanbevelingskwaliteit en retentie is een van Netflix' meest commercieel significante bevindingen.
Netflix-bestuurders hebben publiekelijk verklaard dat het aanbevelingssysteem het bedrijf naar schatting $1 miljard per jaar bespaart aan verminderde churn. Dit cijfer, hoewel moeilijk onafhankelijk te verifiëren, weerspiegelt Netflix' interne inschatting dat betere aanbevelingen leiden tot meer kijken, meer kijken leidt tot hogere waargenomen waarde, en hogere waargenomen waarde leidt tot lagere opzegpercentages.
De strategische implicatie is significant: Netflix verminderde churn niet door meer content toe te voegen (hoewel het fors investeert in content). Het verminderde churn door het gemakkelijker te maken om content te vinden die het waard is om te kijken binnen de bestaande bibliotheek. Keuzearchitectuur, het ontwerp van de beslissingsomgeving, was effectiever dan ruw contentvolume om abonnees betrokken te houden.
Deze bevinding heeft parallellen in consumentengedragonderzoek. Iyengar (2010) heeft betoogd dat consumententevredenheid minder wordt gedreven door de objectieve kwaliteit van de beschikbare opties en meer door het gemak van het beslisproces. Een consument die gemakkelijk iets goeds vindt is meer tevreden dan een consument die moeite heeft iets uitstekends te vinden. Netflix' keuzearchitectuur is ontworpen om de "goed genoeg"-optie gemakkelijk te vinden te maken, niet om de kans te maximaliseren dat de consument de allerbeste titel voor hen kijkt, maar om de kans te minimaliseren dat ze helemaal niets kijken.
De analyse
Keuzearchitectuur als concurrentiestrategie
Netflix' case demonstreert dat in digitale markten gekenmerkt door contentovervloed, keuzearchitectuur geen UX-feature is, het is een strategische bekwaamheid.
De traditionele kijk op concurrentievoordeel in media is contentgericht: het platform met de beste content wint. Netflix, Amazon Prime Video, Disney+, HBO Max en Apple TV+ hebben collectief honderden miljarden dollars uitgegeven aan contentproductie en -licentiëring, elk in een poging exclusieve titels te bemachtigen die abonnees aantrekken en behouden. Deze contentwapenwedloop is duur, moeilijk te winnen en onderhevig aan afnemende meeropbrengsten, elke extra titel voegt minder marginale waarde toe dan de vorige.
Netflix' keuzearchitectuur vertegenwoordigt een andere theorie van concurrentievoordeel. Het gaat niet om de beste content hebben, het gaat om ervoor zorgen dat welke content je ook hebt, persoonlijk relevant, gemakkelijk vindbaar en onmiddellijk kijkbaar aanvoelt. Twee platforms met identieke contentbibliotheken maar verschillende keuzearchitecturen zouden verschillende consumentresultaten produceren: het platform met superieure aanbeveling, personalisatie en nudge-ontwerp zou meer kijkgedrag, hogere tevredenheid en lagere churn genereren.
Dit is een consumentengedragsinzicht met strategische implicaties: de waarde van een contentbibliotheek wordt niet bepaald door de inhoud ervan. Het wordt bepaald door de ervaring van de consument bij het navigeren ervan.
System 1-ontwerp voor System 1-gedrag
Netflix' interface is ontworpen voor System 1-verwerking omdat browsegedrag System 1-gedrag is.
Wanneer een consument de Netflix-app opent, bevinden ze zich niet in een overwogen, analytische modus. Ze zijn doorgaans moe, aan het ontspannen, op zoek naar vermaak en cognitief uitgeput door een dag van inspannende besluitvorming op het werk en in het leven. Ze draaien, in Kahnemans termen, op System 1, snel, intuïtief en emotioneel gedreven.
Netflix' interface is gekalibreerd voor deze mentale toestand. Grote visuele thumbnails (System 1 verwerkt beelden sneller dan tekst). Minimale tekst (titels en korte beschrijvingen, geen gedetailleerde synopses). Horizontaal scrollende rijen georganiseerd op stemming en genre (waardoor de dimensionaliteit van keuze wordt gereduceerd van duizenden titels naar een handvol gecureerde rijen). Gepersonaliseerde artwork (visuele signalen afstemmen op bekende voorkeuren). Autoplay-previews (het elimineren van de overwegingsstap om te besluiten meer over een titel te leren).
Elke ontwerpbeslissing vermindert de cognitieve inspanning die nodig is om van browsen naar kijken te gaan. De interface veronderstelt geen rationele, analytische consument die opties zorgvuldig evalueert. Het veronderstelt een moe mens dat visuele prikkels scant en snelle, affectieve beslissingen neemt. Het is ontworpen voor de consument die daadwerkelijk bestaat, niet de consument die economische modellen veronderstellen.
De ethiek van digitale keuzearchitectuur
Netflix' keuzearchitectuur roept ethische vragen op die parallel lopen aan die in de Booking.com-case (Case 02) maar met belangrijke verschillen.
De welwillende framing. Netflix' nudges zijn breed afgestemd op de belangen van de consument. Het aanbevelingsalgoritme probeert gebruikers te verbinden met content die ze leuk vinden. De gepersonaliseerde artwork probeert relevante content naar voren te brengen. De matchscore probeert tevredenheid te voorspellen. In tegenstelling tot Booking.com's overtuigingsarchitectuur, die is ontworpen om conversie te maximaliseren ongeacht het welzijn van de consument, is Netflix' keuzearchitectuur ontworpen om kijktevredenheid te maximaliseren, wat toevallig samenvalt met Netflix' commerciële belang bij het verminderen van churn.
De paternalismekwestie. De keuzearchitectuur is echter paternalistisch. Netflix bepaalt wat gebruikers zien, in welke volgorde, met welke visuele framing. De selecties van het algoritme zijn niet neutraal, ze weerspiegelen Netflix' prioriteiten (het promoten van originele content, het spreiden van kijkgedrag over de catalogus om licentieconcentratie te verminderen, het managen van serverbelasting). De "gepersonaliseerde" ervaring is gepersonaliseerd binnen grenzen die zijn gesteld door Netflix' commerciële belangen.
De autonomiekwestie. Fundamenteler nog vermindert Netflix' keuzearchitectuur de autonomie van de consument by design. De interface is gebouwd om overweging te minimaliseren, om gebruikers zo snel mogelijk van browsen naar kijken te bewegen. Autoplay-standaarden exploiteren status quo bias om het kijken te verlengen voorbij wat de consument bewust zou kiezen. De selecties van het algoritme versmallen het bereik van content dat de gebruiker overweegt, wat mogelijk filterbellen creëert die de blootstelling aan onbekende genres of perspectieven beperken.
De binge-watching-zorg. Netflix' autoplay- en aanbevelingsfuncties zijn in verband gebracht met binge-watching-gedrag, uitgebreide kijksessies die sommige onderzoekers associëren met negatieve welzijnsresultaten, waaronder slaapverstoring, verminderde lichamelijke activiteit en sociaal isolement. De keuzearchitectuur die binge-watching moeiteloos maakt is dezelfde architectuur die het vinden van content gemakkelijk maakt. De voordelen en kosten zijn onscheidbaar.
De toestemmingsdimensie. In tegenstelling tot Booking.com's dark patterns, die werken door misleiding (misleidende schaarste-claims, opgeblazen ankerprijzen), werkt Netflix' keuzearchitectuur door gemak. Gebruikers worden niet misleid over wat het platform doet, ze krijgen simpelweg een gemakkelijk pad aangeboden. De ethische analyse is daarom anders: de vraag is niet of gebruikers worden misleid, maar of de vermindering van overwegingswrijving een problematische beperking van autonome keuze vormt.
Thaler en Sunstein zouden Netflix' keuzearchitectuur waarschijnlijk classificeren als een legitieme nudge, het stuurt gebruikers naar uitkomsten die in lijn zijn met hun belangen (content kijken die ze leuk vinden) terwijl de vrijheid behouden blijft om anders te kiezen (gebruikers kunnen zoeken, browsen buiten aanbevelingen en autoplay uitschakelen). Maar de effectiviteit van de nudge, het 80% aanbevelingsgestuurde kijkcijfer, suggereert dat de "vrijheid om anders te kiezen" eerder theoretisch dan praktisch is. Wanneer 80% van het gedrag algoritmisch beïnvloed is, is de nudge minder een zachte suggestie en meer een krachtige determinant van gedrag.
Implicaties voor digitaal consumentengedrag
Netflix' case illustreert verschillende principes van digitaal consumentengedrag die verder reiken dan de streamingcategorie.
Cognitieve inspanning is de primaire barrière. In digitale omgevingen met overvloedige keuze is de primaire barrière voor consumentenactie niet bekendheid, niet prijs en niet productkwaliteit. Het is cognitieve inspanning, het mentale werk dat nodig is om opties te evalueren en een beslissing te nemen. Cognitieve inspanning verminderen, door aanbeveling, personalisatie, standaarden en vereenvoudigde interfaces, is de meest effectieve strategie om engagement te verhogen.
Tevredenheid is relatief aan verwachting, niet absolute kwaliteit. De matchscore verankert verwachtingen. Een film beoordeeld als "95% Match" wordt anders ervaren dan dezelfde film beoordeeld als "72% Match", niet omdat de film anders is, maar omdat het verwachtingskader anders is. Digitale platforms die verwachtingen managen door scoring, beoordeling en framing kunnen de tevredenheid verhogen zonder het onderliggende product te veranderen.
Standaarden bepalen gedrag. Autoplay is een standaard. De standaard sorteervolgorde is een standaard. De standaard-thumbnail is een standaard. In elk geval is de standaardoptie degene die de meeste gebruikers volgen. Standaarden ontwerpen is gedrag ontwerpen, en de keuzes van de ontwerper over wat de standaard is hebben meer invloed op consumentresultaten dan de eigen overwogen voorkeuren van de consument.
De vragen
F2-02 Toepassing. Netflix' interface is ontworpen voor System 1-browsegedrag, snel, visueel en intuïtief. Analyseer hoe de belangrijkste ontwerpelementen (thumbnails, autoplay, horizontaal scrollende rijen, matchscores) zijn gekalibreerd voor System 1-verwerking. Hoe zou een System 2-geoptimaliseerde interface eruitzien, en waarom zou die slechtere resultaten opleveren voor zowel Netflix als zijn gebruikers?
F2-03 Toepassing. Identificeer de cognitieve biases die Netflix' keuzearchitectuur benut: verankering (matchscores), status quo bias (autoplay-standaarden), autoriteitsbiase (algoritmische aanbevelingen) en de keuzeparadox (gecureerde rijen uit uitgebreide catalogussen). Evalueer voor elke bias of Netflix' exploitatie ervan de belangen van de consument dient of ondermijnt.
F2-11 Toepassing. Netflix' keuzearchitectuur vermindert de autonomie van de consument by design, 80% van de bekeken contenturen wordt aangedreven door algoritmische aanbeveling. Is dit ethisch problematisch? Vergelijk Netflix' aanpak met Booking.com's dark patterns. Is er een betekenisvol ethisch onderscheid tussen het verminderen van consumentenoverwegingen om tevredenheid te verhogen (Netflix) en het verminderen van consumentenoverwegingen om conversie te verhogen (Booking.com)?
Bronnen
Schwartz, B. (2004). The Paradox of Choice: Why More Is Less. Ecco.
Iyengar, S.S. & Lepper, M.R. (2000). "When Choice is Demotivating: Can One Desire Too Much of a Good Thing?" Journal of Personality and Social Psychology, 79(6), 995-1006.
Iyengar, S. (2010). The Art of Choosing. Twelve.
Thaler, R.H. & Sunstein, C.R. (2008). Nudge: Improving Decisions About Health, Wealth and Happiness. Penguin.
Kahneman, D. (2011). Thinking, Fast and Slow. Penguin.
Tversky, A. & Kahneman, D. (1974). "Judgment Under Uncertainty: Heuristics and Biases." Science, 185(4157), 1124-1131.
Cialdini, R.B. (2006). Influence: The Psychology of Persuasion. Revised edition. Harper Business.
Gomez-Uribe, C.A. & Hunt, N. (2016). "The Netflix Recommender System: Algorithms, Business Value, and Innovation." ACM Transactions on Management Information Systems, 6(4), Article 13.
Chandrashekar, A., Amat, F., Basilico, J. & Jebara, T. (2017). "Artwork Personalization at Netflix." Proceedings of the ACM Conference on Recommender Systems.
Nelson, R. (2024). "Netflix by the Numbers: Subscribers, Revenue, and Content Spending." What's on Netflix.