PETABYTE
Netflix y los algoritmos del éxito
La plataforma se ha convertido en uno de los servicios más populares para el consumo audiovisual. Aun si son varias las razones por las que su uso online en nuestro país es muy limitado, para no pocos resulta de interés acercarse al funcionamiento interno de esta maquinaria del big data.
Por Mercedes Muñoz
Cada día, millones de personas visitan Netflix buscando entretenimiento y generan casi un billón de horas de visualización, incrementadas por el tiempo de consumo pirata que muchos tenemos como única vía de acceso a sus producciones. Pero quizás su mejor clasificación actual sea la de «empresa de gestión de big data».
Sus propios desarrolladores, en el blog sobre tecnología de la empresa, bromean con la idea de que Netflix es un servicio de producción de registros que a veces transmite videos. Los números igual sustentan ese criterio si valoramos que, hacia 2014, este gigante ya invertía el 9% de sus ingresos en el desarrollo de algoritmos para la recogida de información e inteligencia artificial, en especial machine learning (aprendizaje automático).
La intención es que los algoritmos identifiquen y aprendan de forma constante algunos patrones de comportamiento de los cerca de 192 millones de suscriptores de la plataforma, a partir de trabajar con una abrumadora cantidad de datos.
Pero más productivo que apuntar hacia ese escenario será abordar pistas que dejen comprender —someramente— cómo funciona este entramado en pos de la atracción que nos generan muchas veces sus producciones.
El individuo dentro de la masa
La empresa, cuando aún alquilaba DVD por correo electrónico, introdujo el sistema de recomendaciones personalizado, con base en la clasificación bajo 5 estrellas, que mantuvo al convertirse en un servicio de streaming (reproducción en directo). Sin embargo, la recolección de datos demostró que esas calificaciones o la segmentación de los mismos por geografía, edad y género no funcionaban, pues los gustos dentro de una plataforma global habrían de mirarse distinto.
Por eso, aunque comenzó a entenderse a los suscriptores como una única audiencia, se desarrolló el análisis implícito de comportamiento; pues como propone en una entrevista, Todd Yellin, vicepresidente de productos de Netflix, evaluar la reacción de los clientes en su actuar es más efectivo que pedirles una calificación.
Para mejorar los servicios de recomendaciones de la plataforma, los algoritmos de machine learning, a grandes rasgos, aprenden de los hábitos de consumo: ¿qué reproducen los usuarios y qué no?. De esta forma, crean páginas de inicio y sugerencias específicas para cada uno de los millones de clientes de la empresa.
Incluso la foto que se muestra a cada suscriptor para promocionar una película es diferente de acuerdo a sus intereses. O sea, si se quiere recomendar la película «Pulp Fiction» a dos usuarios —uno ya ha visto filmes de la actriz Uma Thurman y el otro siempre sigue los de John Travolta— se mostrará una imagen personalizada donde se encuentre su actor preferido y así el título será atractivo para ambos.
Al mismo tiempo, el algoritmo aprenderá cuándo una carátula influenció, o no, en la selección de un título, para explorar con la mayor cantidad de representaciones posibles en busca de más audiencia y explotar la que tenga mejor resultado.
La elección de esa supuesta imagen perfecta, aunque es decisión última de un grupo humano, está a cargo de AVA, una colección de herramientas diseñadas para escoger imágenes atractivas que respondan a principios de la fotografía, muestren gestos impactantes de los actores y pasen por filtros de madurez para evitar contenido agresivo u ofensivo. Algo así como tomar la aguja del pajar, dado los casi 9 millones de cuadros en cada temporada de cualquier serie de 10 capítulos.
Otra pieza del engranaje
En Cuba, tal vez estamos exentos de esas realidades. No pertenecemos a los millones cuyos modos de consumo son registrados por algoritmos de Netflix para tomar decisiones. Pero seguro tus redes se han llenado de spoilers (adelantos) sobre «La Casa de Papel». ¿Te preguntaste qué hacías a la edad de los protagonistas de «Élite»?¿No entiendes la gracia en los memes de «Dark»?¿Sin verla, ya sabes de qué va «YOU»?
Si la respuesta a alguna de estas preguntas es afirmativa, quiere decir que has recibido algún impacto de las conversaciones sociales relacionadas con un programa-tendencia de Netflix. Muchas de ellas iniciadas por los usuarios que sí son suscriptores y potenciada frenéticamente, antes de cualquier lanzamiento, desde las cuentas oficiales que intentan atraernos hacia la plataforma.
Esa construcción de sentidos entre todos, en torno a cada producción, significa un valor agregado a los contenidos de la compañía. Incluso entre quienes los consumimos en “El Paquete”, se escucha: «Si salió en Netflix, debe estar bueno». De esa manera, algunos materiales que pasan sin penas ni glorias su emisión televisiva, como La Casa de Papel, son un fenómeno cuando los tiene la empresa.
A ello se suma la cultura de ver series en maratón. El estreno de temporadas en bloque los viernes, potencia el deseo de terminarla, sin mucho tiempo para la reflexión, cuanto antes y compartir si te gustó, o no, y algún spoiler para molestar.
Pero ese consumir de carretilla potenciado por Netflix también se construye con datos analizados por algoritmos. ¿Cuándo los usuarios paran o adelantan la reproducción? ¿Qué audiovisuales abandonan? ¿En qué capítulo y escena? El entrecruzamiento de esa información permite saber cuánto tiempo exacto de sexo y de violencia debería tener un nuevo producto, por ejemplo. ¡Y ese truco funciona!
La perfección del método
El resultado de estudiar a fondo las conductas de los consumidores llevó a crear la primera serie de laboratorio: «House of Cards». El director ejecutivo de Netflix invirtió, un aproximado de 100 millones de dólares en dos temporadas sin hacer, siquiera, una entrega piloto.
La confianza recayó en la inteligencia artificial que mediante big data ayudó a seleccionar aspectos claves que, por lo general, buscan los usuarios en una serie. El algoritmo informó cuál podría ser la cantidad ideal de capítulos y su duración. Además encontró que una antigua serie inglesa del mismo nombre, sobre la oscura trastienda del Parlamento, tenía éxito dentro de su público objetivo.
Asimismo, los datos indicaron que muchas personas buscaban la actuación de Kevin Spacey y el talento del cineasta David Fincher, garantía en no poca medida, del amplio alcance de la serie. Este método luego se comprobó con otros títulos propios como «Orange Is The New Black», «The Get Down» o «Luke Cage».
También basado en tendencias, la empresa elige los contenidos que lanzará bajo licencia. Pero favorece materiales que cubran varios de los nichos de preferencia ya identificados, en forma de micro-géneros muy concretos como: sátira-ciencia ficción, romance de época juvenil o series oscuras. Esa es una forma bastante clásica de clasificación, pero que, manejando big data, es una guía excelente para escoger qué producciones comprar. Hasta se puede predecir un aproximado del retorno de la inversión. Por esa razón, aunque su deuda asciende a 15 000 millones de dólares, según medios especializados como Xataka, tal vez eso no signifique un gran problema financiero para la empresa.
En este contexto, si bien estamos en los albores de la realización de películas a partir del análisis de grandes volúmenes de datos, ya se genera debate entre realizadores, como el dúo responsable de la distópica serie «Black Mirror». Las opiniones se dividen entre los que ven, o no, el futuro del audiovisual en dicha técnica.
Pero el arte de posicionarse al frente en la guerra por la atención de los consumidores, y la producción de contenidos y valores —en el sentido amplio de la palabra— es difícil de desentrañar.
Requiere una cuidadosa orquestación de decisiones creativas, comerciales y técnicas donde las matemáticas, los algoritmos y el uso de nuestros datos en función de la rentabilidad y la creación de sentidos parecen ser la respuesta manejada ahora con efectividad por Netflix Inc.
Lee también…
Proyecto PetabyteBlog
