Netflix 的成功不可不归功于它们的影片推荐系统，不管使用者透过电脑、游戏机、智慧电视、电视盒、行动装置等各种装置登入 Netflix，都会进入同一个首页，依分类有约 40 列（Row）的（依照各装置屏幕大小略有不同），每列约 75 则推荐影片，在这个首页里要呈现哪些推荐影片给使用者、该如何分类、显示的前后顺序等，都是Netflix 透过收集大量使用者使用数据进行分析后，以至少六种算法后优化出的个人化结果，每个不同的使用者看到的首页都截然不同。
个人化影片评比制度
在 Netflix 影片推荐系统里的算法，首先先介绍“个人化影片评比”（Personalized Video Ranker, PVR），这个算法顾名思义是以巨量数据分析后的个人观影喜好为依据，计算出使用者喜欢哪种类型的的影片，以及这类型影片的出现次序，例如，数据显示这位使用者喜欢观赏恐怖片，Netflix 就会列出一列专门的恐怖片，并再依照使用者的喜好，把影片库中的恐怖片再进行排序，因此，即便是两位同样是恐怖片爱好者，其呈现推荐影片的先后次序也会不一样。Netflix 也利用个人化影片评比算法，去计算在各种受欢迎的影片中，哪一些是使用者会喜欢的，这些结合“受欢迎”与“符合个人喜好”的影片也就可以自成一个推荐影片列。
第二个主要影片推荐系统算法是“最佳推荐评比”（Top-N Video Ranker），这个评比算法着重计算影片库中所有的影片，并且透过使用者的喜好数据，找出使用者最喜欢的哪几部片，而不像个人影片评比算法一样，会先计算出使用者喜欢的影片类型，再从中排出次序。
针对短时间的收看趋势，Netflix 也会运用“最新趋势评比”（Tredning Now）算法，掌握使用者可能会想要看哪些影片，这种算法主要的依据像是每年都会有的节庆，例如情人节，或者现在刚好发生了某些灾祸，现在是镁光灯焦点的特定事件等，再将这些资料与使用者的喜好数据结合，就能够推荐使用者目前的趋势影片。
继续收看是推荐与否的关键
而最能够具体展现使用者收集的巨量数据影响力的算法，就是“继续收看评比”（Continue Watching）算法了，只有这个算法是特别针对已经看过的影片，在已经看过但却没有看完的影片中，尝试找出哪些使用者还会想要继续欣赏的影片。在这个算法中，有一些使用者的数据会被分析，包括这部影片的观看时间，在哪个时间点离开观赏（影片中间、一开始或结尾前），中断观赏后是不是还看了其它影片，以及用哪些装置观赏。
“影片相似度评比”（Video-Video Similarity）算法，这是针对使用者曾经看过的影片中，依照每一部影片都挑选出相似的影片来推荐，在评比影片的相似程度时，算法完全不会加入任何使用者喜好，完全是影片与影片之间来做评比。但评比完后，要将哪几列使用者曾经看过影片的相似影片，推荐给使用者，就会加上使用者喜好，例如使用者如果曾经看过“不可能的任务1”以及“黑洞频率”这两部片，算法就会评比出两列影片，分别代表与“不可能的任务1”相似的影片，以及与“黑洞频率”相似的影片，但是最后要出现哪一列影片给使用者，就会依照使用者的喜好去做判断。
相关又具多样性的推荐系统
最后一个算法是“页面产生评比”（Page Generation: Row Selection and Ranking），这个算法是用来决定，到底有哪些影片列可以出现在使用者的首页上。在透过上述提及的算法得出，究竟有哪些候选影片列使用者可能会想观赏后，Netflix 会再透过“页面产生评比”，排出一个与使用者相关且兼具多样性的影片推荐首页。
一般来说，以上这些算法都采用不同的数学与资料模式，以及输入不同的数据资料，并且依照每一种算法的目的，施以不同的模式训练。有 75％的使用者都是依照 Netflix 的推荐来选择电影，而 Netflix 目前也仍然就算法得出的结果，持续对少量使用者进行 A/B 测试（A/B Test），加强算法的准确度并且测试所有的极端可能性，这所有的目的都是为了能够彻底的黏住所有的 Netflix 使用者。
不只推荐影片 巨量数据更能预测使用者想看的影片
巨量数据除了用来做精准的影片推荐以外，而 Netflix 首部依照巨量数据打造而来的影片就是Netflix 近几年的最热门的自制影集：纸牌屋。
在开始制作纸牌屋之前，Netflix 已经透过数据分析，了解了三件 Netflix 的使用者喜好：第一，很多 Netflix 上的使用者喜欢导演 David Fincher 的电影：社群网战；第二，英国原版的纸牌屋很受欢迎；第三，喜欢英版纸牌屋的 Netflix 使用者，也喜欢 Kevin Spacey 的电影，或/和导演 David Fincher 的作品，因此按照这三项原则打造的纸牌屋，就几乎没有失败的可能。不只是制作面，在宣传时，Netflix 也剪了 10 部不同的预告，分别推荐给 10 种不同的使用者，喜欢 Kevin Spacey 的使用者可以看到多一点 Kevin Spacey 画面的预告片，喜欢 David Fincher 作品的使用者，就可以看到贯穿他执导风格的预告片。
除了预测影集的制作，因为 Netflix 的月租费向来并不会太过昂贵，所以 Netflix 并不会在电影下档后，购入每一部电影的版权，而是透过巨量数据分析预测，购入成本效益最高的电影，确保花出去的每一块钱都能有最高的收益。
从影片推荐系统到打造影片，甚至购买版权，Netflix 已经完美的将巨量数据分析活用到它服务运作的每一个角落。
