Algoritmos y datos: el secreto de Netflix para ganar en la industria del streaming
El ahora gigante de streaming ha logrado convertir a las tecnologías digitales en verdaderas palancas de creación de valor, pero sobre todo mediante el uso masivo de analítica de datos y algoritmos.
Hacia finales de la década de 1990, Netflix era una pequeña startup dedicada al alquiler de películas en formato de DVDs. Casi tres décadas después, ha reinventado el entretenimiento en el hogar mediante el uso de tecnologías digitales y se ha convertido en una de las empresas más admiradas del mundo. En la actualidad, es la empresa que domina la industria de video bajo demanda (VBD), o video on demand (VOD), con cerca de 250 millones de suscriptores.
Netflix fue una de las primeras empresas en reconocer el poder de las tecnologías digitales para mejorar la experiencia de entretenimiento en el hogar. Primero, a través de la plataforma de alquiler de películas, y posteriormente a través del servicio de streaming.
Un dato importante es que Netflix no fue una empresa creada por algún magnate de Hollywood, sino por un geek tecnológico. Reed Hastings, su cofundador, venía con una sólida experiencia en el sector tecnológico luego de haber vendido poco antes Pure Software, una empresa que desarrollaba herramientas para la depuración de códigos de programación.
Estos antecedentes tecnológicos explican por qué el origen de Netflix no corresponde a la famosa versión de la multa que Hastings debió pagar a Blockbuster por entregar con retraso la película Apolo 13. En realidad, desde la venta de Pure Software, Hastings quería desarrollar un nuevo negocio que aprovechara la Internet como ya lo había hecho Jeff Bezos con Amazon.com. Luego de algunos meses de análisis e investigación identificó la industria del entretenimiento en el hogar para el alquiler de películas en DVDs, un formato de video que recién aparecía en el mercado. Este era un modelo de servicio, que de forma similar a Amazon.com, también usaba la web como canal de comercialización y la infraestructura existente de correo público para la distribución de sus productos.
Tecnología más allá de Internet
Uno de los factores de éxito de Netflix desde sus comienzos fue el uso de analítica de datos y algoritmos para ayudar a sus suscriptores a elegir las películas que mejor se adaptaran a sus preferencias. A partir de los datos de navegación en su sitio web, películas seleccionadas, y la posterior calificación de satisfacción a través de un sistema de estrellas (de 1 a 5), el serivio en línea empezó a hacer recomendaciones a sus usuarios de una forma muy diferente a lo acostumbrado.
Hasta ese momento, la elección de una película, tanto en el cine como en la tiendas de video, dependía en gran medida de la publicidad y las reseñas en los medios de comunicación tradicionales. Esto hacía que la mayor parte de la demanda de películas se orientara hacia las más exitosas en la taquilla. Netflix, lo hizo diferente. Basado en los datos generados por los usuarios a través de su plataforma online, empezó a sugerir de forma personalizada, no solo aquellas que estaban en el boca en boca del mercado, sino también o, principalmente, aquellas que los subscriptores no conocían, pero que seguramente también les gustaría ver.
Este sistema de recomendaciones ayudó a Netflix a resolver dos cosas de forma simultánea. Por una parte, facilitaba la escogencia de los clientes al ofrecer un espectro más reducido y preciso de elección con base en sus gustos; y por otra, redirigía la demanda de los “estrenos” hacia películas menos demandas y no agotadas en el reducido catálogo que en ese momento disponían. Así sus suscriptores siempre tendrían alguna película a disposición para escoger.
Esto parece algo bastante obvio en la actualidad, pero en ese momento se convirtió en el arma que los defendió frente a la respuesta de Blockbuster. Aunque un poco tarde, en el año 2004 fue lanzado Blockbuster Online, el cual replicaba el servicio de alquiler online, pero que solo pudo copiar el sitio web, pero no el sistema sofisticado de recomendaciones basados en algoritmos de Netflix.
Recomendaciones 2.0
Con el lanzamiento del servicio de streaming, Netflix logró mejorar significativamente el sistema de recomendaciones. Ahora no solo podía conocer los gustos de sus suscriptores en cuanto a artistas y géneros preferidos, sino también podía capturar patrones y hábitos de consumo como nunca antes y perfeccionar sus modelos predictivos para el sistema de recomendaciones. A partir del lanzamiento del nuevo servicio su tecnología podía empezar a recolectar datos de:
Cuánto tiempo es visto un video.
El historial de visualización de cada usuario.
La calificación dada a cada película.
La hora del día en que se consume cada título.
Cuántas veces se mira, o repite, una escena en particular.
Si la película se pausó, rebobinó o adelantó rápidamente.
Si se reanudó la visualización después de pausarlo.
El tipo de dispositivo en el que se está consumiendo los contenidos.
La cantidad de búsquedas y lo que se busca.
Cuando se abandonó una película serie.
Más aún, con la agregación de consumo de todos sus suscriptores, se podían hacer cruces de datos para identificar gustos similares y hacer recomendaciones también con base en las preferencias de otros usuarios con comportamientos parecidos.
La virtud de este sistema es que se retroalimenta y perfecciona con el uso. Mientras más datos, más conocimiento de la audiencia; con más conocimiento de la audiencia, mejores recomendaciones; con mejores recomendaciones, más consumo de películas y series, y más datos para el análisis; y con más datos, un mayor perfeccionamiento del sistema de recomendaciones. Así, con este círculo virtuoso de datos, la empresa ha logrado alcanzar la tasa de retención más alta de la industria.
De acuerdo con información de la empresa, este sistema de recomendación influye en la elección de hasta el 80 por ciento de su contenido en streaming y que equivale a 1.000 millones de dólares anuales en suscripciones retenidas y costos de marketing reducidos.
Personalización de la Página Principal
El sistema de recomendaciones de Netflix consta de una variedad de algoritmos que, en conjunto, definen la experiencia del cliente, la mayoría de los cuales se reúnen en la página de inicio.
Cuando un suscriptor accede a Netflix lo primero que aparece en su perfil es la presentación de recomendaciones. Esta se crea en forma de matriz en la que se despliegan alrededor de 40 filas y hasta 75 videos por fila, lo cual varía según el dispositivo debido a consideraciones de hardware y experiencia del usuario.
Los videos en una fila determinada de la página de inicio provienen de un algoritmo único paraa cada fila de recomendaciones, entre los que se encuentran:
Clasificador de videos personalizado, o pesonalized video ranker (PVR). Como sugiere su nombre, este algoritmo ordena todo el catálogo de videos (o subconjuntos seleccionados por género u otro filtro) para cada perfil de suscriptor de manera personalizada.
Clasificador de video Top-N, o Top-N Video Ranker. El objetivo de este algoritmo es encontrar las mejores recomendaciones personalizadas en todo el catálogo para cada miembro; es decir, centrándose solo en la parte superior del ranking de todas las películas disponibles de Netflix asociadas a las preferencias del suscriptor.
“Continuar viendo”. Clasifica el subconjunto de títulos vistos recientemente en función de nuestra mejor estimación de si el miembro tiene la intención de volver a ver o de reanudar la visualización, o si abandonó algo que no era tan interesante como esperaba.
“Porque viste…”. Esta fila ancla sus recomendaciones a un solo video visto por el miembro. El algoritmo de similitud de video a video, impulsa las recomendaciones no con base en preferencias personales sino por la similitud de una película con otra.
Ahora bien, los algoritmos no solo se utilizan para ayudar a los usuarios en su selección, sino que también se emplean como herramientas de marketing para impulsar algunos títulos dentro de cada fila de recomendaciones. Así, podemos ver que la imagen que acompaña un título puede variar de un suscriptor determinado a otro dependiendo de las preferencias y características demográficas inferidas como se muestra en el siguiente ejemplo. Como se observa, para la misma película o serie el algoritmo ofrece al usuario la promoción que se acerca más a sus preferencias.
**
Netflix es uno de los casos de negocios digitales que más me atrae debido al uso a plenitud de la tecnología. Por ahora solo he comentado el uso de analíticas y algoritmos en su sistema de recomendaciones, pero la empresa usa muchas más herramientas tecnológicas en su negocio. Por ejemplo, los sistemas dinámicos de adaptación de formatos de los contenidos dependiendo de la velocidad de navegación y dispositivos usados, o el uso de una red global de distribución de contenidos, o Content Delivery Network (CDN) para reducir al máximo los niveles de latencia en la entrega de los videos, entre muchos otros.
Un negocio verdaderamente digital no es un sitio web. Es una colección de múltiples tecnologías que operan de forma concurrente e integrada para ofrecer la mejor experiencia de usuario a través del modelo de negocio más potente. Ten siempre presente esto para que no te ocurra lo de Blockbuster, que se copió el sitio web, pero no el motor algorítmico detrás de él. Es decir, se copio la fachada, o la vitrina, pero no el negocio.
Fuentes:
Behind The Scenes of The Netflix Recommendation Algorithm
How Netflix leads in user retention in streaming services
Netflix is moving television beyond time-slots and national markets
Carlos A. Gomez-Uribe and Neil Hunt. “The Netflix recommender system: Algorithms, business value, and innovation”. ACM Transactions on Management Information Systems 6, no. 4, article 13. 2015.
Frey, Mattias. “Netflix Recommends: Algorithms, Film Choice, and the History of Taste” (English Edition). University of California Press. 2021
Si te gustó el artículo, no dejes de suscribirte al newsletter y compartirlo. También puedes dejar tus comentarios y opiniones más abajo.
.