该视频来自第二届米兰视频技术交流会，视频的重点是视频KPI（关键绩效指标）。
该视频包含四个部分。首先，ContentWise公司的高级解决方案架构师Federico Preli讲述了数据驱动的商业决策。然后，Akamai Technologies的媒体解决方案工程师Luca Moglia继续讲述视频KPI的边缘性能指标。此外，来自Bitmovin的开发者布道者Andrea Fassina讲述了客户KPI--5个重要的分析师指标。最后，媒体架构师、编码和流媒体专家Fabio Sonnati以视频质量指标来结束视频。
Data-driver design making(DDDM)流程，首先根据可衡量的目标或KPI收集数据，然后分析出规律，并利用这些数据来制定业务决策。在解读客户的个性化的基础上，预测用户会对哪些内容感兴趣和进行互动。但是单独用相关性来预测具有一定的副作用，比如过滤泡沫、预测不平衡、人气偏差等。目前的方法是增加意外的惊喜、多样性、覆盖率、公平性、信任度，然后再通过权衡这些KPIs来制定业务决策。
然后，Luca Moglia继续讨论了Edge视频的KPI。到目前为止，Edge使用原始日志收集，这限制了信息的组合。为了验证和加强数据分析，我们合并了Edge的性能KPI或代理QoE的性能KPI。所产生的KPI指标如可用性、缓冲器、吞吐量等。这些KPI提供了跟踪改进，补充了客户端KPI，对客户事件有了更好的可视性，并深度挖掘问题的解决，提升了Edge平台的性能。
之后，Andrea Fassina继续讲解了KPI-5个重要的分析指标。它包括，印象和总观看时长、启动时间、视频盗版热图、错误类型和调试、回放缓冲等。
最后，Fabio Sonnati以讨论视频质量指标结束了视频的讨论。像PSNR和SSIM这样的经典KPI最初是为图像设计的。我们需要一些东西来收集关于特定流媒体会话中向特定用户在特定观看条件下交付的实际感知质量的确切信息，以更好地估计QoE。Netflix的VMAF，一个质量指标"合并"了多个客观指标的结果或多个客观指标，和主观平均意见评分有着高相关性。我们把这个思路扩展到OTT直播监控的No-Ref度量，之所以可以是因为VMAF是用机器学习构建的框架。No-Ref参数有3类，像素分析、比特流和介于两者之间。它允许预测一个段子或场景的平均舆论得分（MOS），而不需要源视频。能够预测编码后的视频的知觉质量提高了我们对QoE的确切信息。
