La personalización convierte a Netflix en TV global

Una gran parte del éxito de Netflix se explica porque en 20 años ha pasado del 2% de elección de las películas por parte de los usuarios, a un 80% que sugiere en la actualidad. Este post sobre la breve historia de la personalización de Netflix, basado en el artículo de Gibson Biddle (ex-vicepresidente de producto de Netflix), es interesante tanto a aquellos que buscan mejorar su recopilación y personalización de datos, y a los usuarios que tienen curiosidad para saber qué tan bien los entiende Netflix y cómo lo sabe.

Netflix comenzó en 1998 ofreciendo menos de 1,000 DVD a través de pedidos por correo desde su sitio web. En 2000, la empresa comenzó a ofrecer alquileres ilimitados de DVD. Netflix creó una cola de videos, que automatizó el envío de su próximo video cuando devolvió el que acababa de ver.

2001: el sistema de calificación de cinco estrellas

Netflix creó un sistema de calificación de cinco estrellas y finalmente recopiló miles de millones de calificaciones de sus miembros. Netflix experimentó con múltiples «barras de estrellas», a veces apilando las estrellas para indicar la calificación esperada, la calificación promedio y la calificación de los amigos. Fue un desastre.

Las estrellas representaban cuánto le gustaría a un miembro una película. Si un miembro ya había visto la película, podría calificarla.

Las estrellas rojas indican la calificación esperada para un miembro, aunque la mayoría asumió que era la calificación promedio

2002: múltiples algoritmos

Más allá de Cinematch, otros tres algoritmos trabajaron juntos para ayudar a comercializar películas:

  1. Almacenamiento dinámico: este algoritmo indicaba si el DVD estaba disponible. Al final de la era del DVD, el algoritmo incluso determinó si un DVD estaba disponible en el centro local de un miembro. Para 2008, Netflix solo comercializaba títulos disponibles localmente para aumentar la probabilidad de entrega de DVD al día siguiente.
  2. Metasims: este algoritmo incorporó todos los datos de películas disponibles para cada título: sinopsis de la trama, director, actores, año, premios, idioma, etc.
  3. Búsqueda: En los primeros días, se invirtió poco en la búsqueda, ya que el equipo asumió que los miembros buscaban costosos DVD de lanzamiento nuevo, lo que ponía en aprietos la economía de la empresa. El equipo descubrió que los títulos que los miembros eligieron a través de la búsqueda incluían muchos títulos más antiguos, menos costosos y de long tail, por lo que finalmente aumentaron la inversión en la búsqueda.

2004: Perfiles

Al reconocer que varios miembros de la familia usaban una cuenta compartida, Netflix lanzó «perfiles». Esta función permitió a cada miembro de la familia generar su propia lista de películas. Los perfiles eran una característica muy solicitada, pero solo el 2% de los miembros la usaban a pesar de la promoción agresiva. Era mucho trabajo administrar una lista ordenada de DVD, y solo una persona en cada hogar estaba dispuesta a hacer esto.

Dada la baja adopción, Netflix anunció su plan para eliminar Perfiles, pero capituló ante la reacción de los miembros. Un pequeño grupo de usuarios se preocupaba profundamente por la función: temían que la pérdida de Perfiles arruinara sus matrimonios. Como ejemplo de «no todos los miembros son iguales«, la mitad de la junta de Netflix utilizó la función.

2004: Netflix lanza «Friends»

La hipótesis: si crea una red de amigos dentro de Netflix, se sugerirán excelentes ideas para películas y no abandonarán el servicio porque no quieren dejar a sus amigos. En el lanzamiento, el 2% de los miembros de Netflix se conectaron con al menos un amigo, pero esta métrica nunca pasó del 5%.

Los amigos te permiten conectarte con amigos en el servicio y luego ver qué vieron y qué te recomendaron.

Netflix eliminó la función en 2010. A diferencia de Perfiles, no hubo revuelta de usuarios. Dos ideas sobre las redes sociales en el contexto de las películas:

  1. Tus amigos tienen mal gusto.
  2. No quieres que tus amigos sepan todas las películas que estás viendo.

Estas son ideas sorprendentes durante una década en la que Facebook aplicó con éxito su estrategia social a muchas categorías de productos.

2006: la estrategia de personalización de Netflix

Así es como se veía la estrategia de personalización en 2006. Está organizada en el formato de estrategia / métricas / tácticas, con una métrica de proxy para cada estrategia, así como tácticas (proyectos) contra cada estrategia:

La intención era recopilar datos explícitos e implícitos, luego usar varios algoritmos y tácticas de presentación para conectar a los miembros con películas que les encantarían. El equipo se centró en cuatro estrategias principales:

  1. Reunir datos explícitos sobre gustos, incluidas clasificaciones de películas y programas de televisión, clasificaciones de género y datos demográficos.
  2. Explorar los datos de gustos implícitos, como los DVD que los miembros agregaron a su lista de películas o más tarde, qué películas transmitieron los miembros.
  3. Crear algoritmos y tácticas de capa de presentación para conectar a los miembros con películas que les encantarán. Esta estrategia se centró en utilizar los datos de gusto explícitos / implícitos, junto con una gran cantidad de datos sobre películas y programas de televisión (calificaciones, géneros, sinopsis, actores principales, directores, etc.), para crear algoritmos que conectaban a los miembros con los títulos. La expectativa era que Netflix también crearía una interfaz de usuario simple que brindara soporte visual para opciones personalizadas.
  4. Mejorar la clasificación de películas promedio para cada miembro conectándolos con mejores películas y programas de televisión. La suposición era que si Netflix conectaba a sus miembros con películas y programas de televisión de mayor calidad, retendrían mejor.

La hipótesis de alto nivel: la personalización mejoraría la retención al facilitar que los miembros encuentren películas que les encantarán.

La métrica de participación de alto nivel fue la retención. Sin embargo, se necesitan años para afectar esta métrica. Entonces, Netflix tenía una métrica de proxy a corto plazo más sensible: el porcentaje de miembros que calificaron al menos 50 películas durante sus primeros dos meses con el servicio.

La teoría era que los miembros calificarían muchas películas para obtener mejores recomendaciones. Estas calificaciones indicaron que los miembros apreciaron las recomendaciones personalizadas que recibieron a cambio de sus calificaciones. Más calificaciones fueron una señal de que los miembros apreciaban los algoritmos de comercialización personalizados de Netflix.

Aquí hay una imagen muy aproximada de la mejora en esta métrica de proxy a lo largo del tiempo:

La primera métrica de proxy para los esfuerzos de personalización de Netflix fue el porcentaje de miembros que calificaron al menos 50 películas o programas de televisión durante sus primeros dos meses con el servicio.

¿Por qué la caída de 2011 en la métrica? En ese momento, la mayoría de los miembros transmitían películas y Netflix tenía una fuerte señal implícita sobre el gusto de los miembros. Una vez que presionó el botón «Reproducir», siguió mirando o se detuvo. Netflix ya no necesitaba recopilar tantas calificaciones de estrellas.

Netflix tardó más de una década en demostrar que una experiencia personalizada mejoraba la retención. Pero el crecimiento constante en esta métrica de proxy convenció a la empresa de seguir duplicando la personalización.

2006: el asistente de calificaciones

La placa de Petri original para la personalización era un área en el sitio con una pestaña «Recomendaciones». Pero las pruebas revelaron que los miembros preferían un lenguaje menos prescriptivo. La nueva pestaña decía «Películas que te encantarán» y eso generó muchos clics. El equipo de diseño pensó que la pestaña era «fea», pero funcionó.

Cuando los miembros llegaron al área «Películas que te encantarán«, el sitio les presentó el «Asistente de calificaciones«:

2006: datos demográficos

Netflix recopiló datos de edad y género de sus miembros, pero cuando el equipo usó datos demográficos para informar las predicciones sobre el gusto de las películas de un miembro, los algoritmos no mejoraron el poder predictivo.

¿Cómo midió Netflix el poder predictivo? La métrica de proxy para los algoritmos de personalización fue RMSE (Root Mean Square Error), un cálculo que mide el delta entre la calificación prevista del algoritmo y la calificación real de un miembro. Si Netflix predijo que le gustaría Friends y Seinfeld, cuatro y cinco estrellas respectivamente, y calificó estos programas con cuatro y cinco estrellas, la predicción fue perfecta. RMSE es una métrica «hacia abajo y hacia la derecha» que mejoró con el tiempo, principalmente a través de mejoras en el algoritmo de filtrado colaborativo. Puede ver las mejoras en el gráfico aproximado a continuación:

El error cuadrático medio es un cálculo de las calificaciones pronosticadas frente a las reales para todos los miembros de Netflix. Es una métrica «hacia abajo y hacia la derecha» que mejoró con el tiempo.

Desafortunadamente, los datos de edad y género no mejoraron las predicciones; no hubo mejoría en RMSE. Los gustos de las películas son difíciles de predecir porque son idiosincrásicos: son muy peculiares y varían radicalmente de un individuo a otro. Saber mi edad y sexo no ayuda a predecir mis gustos cinematográficos. Es mucho más útil saber solo algunas películas o programas de televisión que me gustan.

Para ver esta información en acción hoy, cree un nuevo perfil en su cuenta de Netflix. Netflix solicita algunos títulos que le gusten para poner en marcha el sistema de personalización. Eso es todo lo que necesitan para alimentar el sistema.

2007: lanzamiento de Netflix en streaming

Netflix lanzó el streaming en enero de 2007. Por primera vez, el equipo de Netflix tenía datos en tiempo real sobre las películas que veían los miembros, donde antes solo tenían actividad de alquiler de DVD. Con el tiempo, estos datos implícitos se volvieron más importantes para predecir los gustos cinematográficos de los miembros que los datos explícitos que Netflix recopiló a través de su sistema de clasificación de cinco estrellas.

En el momento del lanzamiento de la transmisión en 2007, Netflix tenía casi 100,000 DVD para elegir, por lo que el desafío de la comercialización de DVD era ayudar a los miembros a encontrar «gemas ocultas» en su enorme biblioteca de DVD. Sin embargo, con la transmisión, el desafío era ayudar a los miembros a identificar algunas películas que encontrarían valiosas entre los 300 títulos bastante mediocres disponibles en el lanzamiento.

2007: Premio Netflix

El Premio Netflix ofreció $ 1 millón a cualquier equipo que pudiera mejorar el poder predictivo del algoritmo de filtrado colaborativo de Netflix en un 10%, según lo medido por RMSE, entre la calificación esperada y real para cada película. Participaron 5.000 equipos.

2009: el próximo gran premio de Netflix

Cuando Netflix anunció a los ganadores de su primera competición, lanzó una segunda ronda. El nuevo desafío consistía en utilizar la demografía y el comportamiento de los alquileres para hacer mejores predicciones. Los algoritmos podrían considerar la edad, el sexo, el código postal y el historial de alquiler completo de un miembro.

Cuando Netflix publicó información anónima del cliente para comenzar la segunda ronda, la Comisión Federal de Comercio (FTC) intervino con una demanda argumentando que los datos no estaban lo suficientemente anonimizados. Como parte del acuerdo de marzo de 2010 para esa demanda, Netflix canceló la segunda ronda.

2010: prueba del nuevo algoritmo «Premio Netflix»

Netflix lanzó el concurso Netflix Prize para brindar mejores opciones de películas para los miembros, lo que el equipo esperaba se tradujera en una mejora de la retención. Pero cuando Netflix ejecutó el nuevo algoritmo en una prueba A / B a gran escala, no hubo una diferencia de retención medible. Fue un resultado decepcionante.

Surgió una nueva hipótesis. Para mejorar la retención, necesitaba mejores algoritmos además de tácticas de capa de presentación que proporcionaran el contexto de por qué Netflix eligió un título específico para cada miembro, de la siguiente manera:

  • Mejores algoritmos + UI / soporte de diseño / contexto = retención mejorada.

Biddle comenta que antes del Premio Netflix, los ingenieros consideraban a Netflix como una empresa más de comercio electrónico. Después del premio, consideraron a Netflix como una empresa muy innovadora.

2010: la popularidad importa

Netflix publicó todos sus aprendizajes del Premio Netflix y otras empresas estudiaron los resultados. El servicio de transmisión de música Pandora, cuyos esfuerzos de personalización se centraron en su “Proyecto Genoma de la Música”, se mostró cauteloso a la hora de ponderar sus algoritmos con popularidad. En cambio, Pandora tenía 40 «musicólogos» que etiquetaban cada canción con cientos de atributos para explicar por qué a un oyente le gustaría una canción. Por ejemplo, los musicólogos etiquetaron las canciones de Jack Johnson como «música optimista, folk, acústica con temas de surf, aventuras al aire libre y temas de mayoría de edad».

Pero a medida que Pandora evaluó los resultados del Premio Netflix (que pesó mucho en popularidad), también comenzaron a ejecutar algoritmos de filtrado colaborativo. Estos cambios mejoraron las métricas de escucha de Pandora. Conclusión de Pandora: la popularidad importa.

2011: proyecto del genoma de la película de Netflix

Netflix comenzó a desarrollar su propio proyecto de “genoma cinematográfico”. Contrataron a 30 «cinecólogos» para etiquetar varios atributos de películas y programas de televisión.

Como recordatorio, el algoritmo de filtrado colaborativo de Netflix predicía que le gustará una película, pero el algoritmo no podía proporcionar un contexto de por qué le gustaría. El algoritmo de filtrado colaborativo Cinematch conducía a declaraciones como, «Porque te gustan Batman Begins y Breaking Bad, creemos que te gustará Barrio Sésamo

El nuevo algoritmo del genoma de películas de Netflix se llamó «Categoría de interés«. En ese momento, por primera vez, Netflix sugeriría una película y daría un contexto de por qué a un miembro le podría gustar. En el siguiente ejemplo, Netflix sabe que me gustan Airplane and Heathers, por lo que sugiere Ferris Bueller’s Day Off y The Breakfast Club porque me gustan las «Comedias de culto de la década de 1980»:

El algoritmo de «Categoría de interés» mejoró las métricas de visualización de Netflix, el porcentaje de miembros que miraron al menos 40 horas al mes, pero el equipo no ejecutó una prueba A / B para ver si mejoraba la retención.

2011: Cómo funcionan los algoritmos de personalización

En términos más simples, Netflix creó una lista de películas de clasificación forzada para cada usuario, desde el contenido que más probablemente gustaba algo. Luego, esta lista se filtraba, se cortaba y se cortaba en cubitos de acuerdo con los atributos de las películas, los programas de televisión y los gustos de los miembros. Por ejemplo, un filtro extrae una sub-lista de películas y las presenta en una fila denominada «dramas extravagantes con heroínas fuertes» o «programas de televisión ingeniosos e irreverentes». Otros títulos de filas pueden incluir «Porque viste cosas más extrañas , creemos que disfrutarás …» o «Los 10 mejores para ti».

El enfoque de personalización de Netflix tiene tres componentes:

  1. Una lista de títulos de rango forzado para cada miembro.
  2. Comprensión de los filtros más relevantes para cada miembro para que los algoritmos puedan presentar un subconjunto de películas y programas de televisión de la lista anterior.
  3. La capacidad de comprender las filas más relevantes para cada miembro, según la plataforma, la hora del día y muchos datos de gustos de películas explícitos / implícitos.

Según Biddle, lo interesante de este enfoque es que estas filas, con el contexto apropiado, se podían mostrar en cualquier dispositivo o pantalla. Era fácil mostrar la misma estructura de filas en todos los navegadores y dispositivos.

2011: Netflix demuestra que la personalización mejora la retención

Finalmente, en 2011, Netflix demostró una mejora en la retención en una gran prueba A / B. Sin embargo, los resultados fueron controvertidos, ya que la prueba comparó la experiencia personalizada predeterminada en ese momento con una experiencia simplificada en la que todas las «recomendaciones» personalizadas eran en realidad elecciones de películas al azar. Los ingenieros de Netflix se quejaron de que la prueba fue una pérdida de tiempo. La mayor parte del equipo ya había aceptado que la personalización creaba una mejor experiencia para los miembros de Netflix.

Reconocer que Netflix había hecho una inversión a muy largo plazo, de 13 años, «acto de fe» en personalización hasta que finalmente tuvieron «pruebas» de mejora de la retención en 2011. Pero mejoras en la métrica de proxy: el porcentaje de miembros que calificaron en al menos 50 películas en sus primeros dos meses con el servicio, le dio a Netflix la confianza para duplicar constantemente la personalización.

2012: Perfiles reinventados

A medida que Netflix se movió más allá de los DVD, ya no requería que los miembros crearan una lista ordenada de películas. En cambio, los miembros presionan el botón «Reproducir» para comenzar a ver una película o un programa de televisión.

Netflix tenía una función de perfil durante la era del DVD, pero solo el 2% de los miembros usaba la función, principalmente porque administrar esta lista de películas de clasificación forzada consumía mucho tiempo. Pero ahora no había nada que gestionar. Proporcionabas a Netflix tu nombre, tres películas o programas de TV que disfrutabas, y Netflix creaba una experiencia personalizada para cada usuario asociado con esa cuenta.

Hoy, más de la mitad de las cuentas de Netflix tienen múltiples perfiles. Netflix sabe que la película tiene gustos para 200 millones de cuentas, lo que se traduce en una comprensión de los gustos cinematográficos de 500 millones de espectadores de películas independientes vinculados a las 200 millones de cuentas.

2013: lanzamiento del contenido original de «House of Cards»


En 2007, durante la era del DVD, el primer esfuerzo de contenido original de Netflix, Red Envelope Studios, fracasó. A pesar de este fracaso, Netflix volvió a intentarlo durante la era del streaming.

En 2007, durante la era del DVD, el primer esfuerzo de contenido original de Netflix, Red Envelope Studios, fracasó. A pesar de este fracaso, Netflix volvió a intentarlo durante la era del streaming.

Sabiendo que a millones de miembros les gustaba Kevin Spacey y The West Wing, Netflix hizo una apuesta inicial de $ 100 millones en House of Cards, que valió la pena. Durante seis temporadas, Netflix invirtió más de $ 500 millones en la serie. House of Cards fue la primera de muchas películas y series de televisión originales exitosas en las que invirtió Netflix.

En este momento de la historia de Netflix, estaba claro, apunta Biddle, que la personalización deleita a los clientes en formas difíciles de copiar y que mejoran los márgenes. Al hacer que las películas sean más fáciles de encontrar, Netflix mejora la retención, lo que aumenta el valor de por vida (LTV). Y la tecnología de personalización de Netflix es difícil de copiar, especialmente a escala.

Pero hay otro aspecto de la personalización que mejoraba el margen de la empresa: la capacidad de Netflix de «dimensionar correctamente» su gasto en contenido. Aquí hay ejemplos del tamaño correcto de Netflix con mis mejores estimaciones sobre múltiples inversiones en contenido:

  • Según su conocimiento de los gustos de los miembros, Netflix predecía que 100 millones de miembros verán Stranger Things e invertió 500 millones de dólares en la serie.
  • El equipo de ciencia de datos predijo 20 millones de espectadores para la peculiar caricatura para adultos Bojack Horseman , por lo que Netflix invierte $ 100 millones en esta serie de televisión animada.
  • Según una predicción de que un millón de miembros verán documentales de escalada en el Everest, Netflix inviertió $ 5 millones en este género.

Netflix tiene una gran ventaja en su capacidad de dimensionar correctamente su inversión en contenido original, impulsada por su capacidad de pronosticar cuántos miembros verán una película, un documental o un programa de televisión específicos. Nota: Netflix no ofrece enfoques basados ​​en datos para el proceso de creación de películas; son independientes de los creadores.

2013: Netflix gana un Emmy técnico

En 2013, Netflix ganó un premio Emmy por «Motores de recomendación personalizados para el descubrimiento de videos». Este premio insinúa el grado en que Netflix eventualmente dominará los premios Oscar, Emmy y Globos de Oro por su contenido original.

2015: ¿Importa si eres francés?

De 2015 a 2021, Netflix se expandió de 20 a 40 idiomas, ya que lanzaron su servicio en 190 países. El equipo de personalización se preguntó si deberían informar los algoritmos de personalización con el idioma nativo y el país de cada miembro. La respuesta corta, basada en los resultados de las pruebas A / B: No.

Al igual que la prueba demográfica de 2006, los gustos de los miembros son tan idiosincrásicos que el idioma y la geografía no ayudan a predecir las preferencias cinematográficas de un miembro. Como antes, la forma más eficiente de sembrar el perfil de gusto de un miembro es pedirle algunos programas de televisión o películas que le encanten. Con el tiempo, Netflix se basa en esta «semilla», ya que informa a sus algoritmos con los títulos que los miembros califican, miran, dejan de mirar e incluso demuestran interés en una película haciendo clic en la «Página de visualización de películas» o viendo una vista previa.

2016: Netflix prueba una interfaz personalizada

Tres de los valores culturales de Netflix son la curiosidad, la franqueza y el coraje. Netflix anima a los nuevos empleados a desafiar la sabiduría convencional cuando se unen a la empresa. Netflix aprecia el valor de los «ojos frescos» y fomenta una cultura iconoclasta.

Un líder de producto recién contratado en Netflix sugirió que el equipo probara «filas flotantes». La idea era que filas como «Top 10 para Gib», «Recién lanzado» y «Continuar viendo» deberían ser diferentes para cada miembro e incluso cambiar según el dispositivo, la hora del día y otros factores. La sabiduría convencional sugirió que un diseño de sitio inconsistente confundiría y molestaría a los clientes, por lo que es mejor mantener la interfaz consistente. Pero la «vieja guardia» permitió que el novato lo probara de todos modos.

Como dijo una vez Ralph Waldon Emerson, «la consistencia es el duende de las mentes pequeñas«. Sorprendentemente, la interfaz inconsistente funcionó mejor en las pruebas A / B. Hoy en día, incluso la interfaz de usuario está personalizada según las preferencias de los miembros.

2017: de las estrellas a los pulgares

Para 2017, Netflix obtuvo más de 5 mil millones de calificaciones de estrellas. Pero durante los últimos 10 años, Facebook popularizó un sistema de calificación diferente: pulgar hacia arriba y hacia abajo. Para 2017, Facebook había presentado este simple gesto a más de 2 mil millones de usuarios en todo el mundo.

Descubrir qué método inspira a los miembros a proporcionar más datos de sabor es simple: ejecute una prueba A / B del sistema de cinco estrellas contra un sistema de pulgar hacia arriba / hacia abajo. El resultado: el sistema de pulgares más simple obtuvo el doble de calificaciones.

En 2017, Netflix probó su sistema de clasificación de cinco estrellas con la interfaz de pulgar hacia arriba / hacia abajo de Facebook. «Thumbs» duplicó la cantidad de aportes de sabor de los miembros.

¿Fue este un resultado sorprendente? No. Cuando necesita que un miembro analice entre tres, cuatro o cinco estrellas, lo obliga a pensar demasiado. Se confunden y pasan a la siguiente actividad sin calificar una película. Hacer clic en el pulgar hacia arriba o hacia abajo es mucho más fácil. Aquí, como en muchos casos con las interfaces de usuario, los triunfos simples están completos.

2017: ¿Qué pasa con el sistema de cinco estrellas?

Si las estrellas se han ido, ¿cómo se comunica la calidad de la película? Recuerda que una de las primeras hipótesis de Netflix era que, con el tiempo, la calificación promedio de las películas vistas aumentaría, lo que conduciría a una mejor retención. Si bien hubo evidencia de que las calificaciones promedio aumentaron, nada en los conjuntos de datos de Netflix sugirió que las calificaciones promedio más altas mejoraran la retención.

Resulta que las clasificaciones de películas no equivalen al disfrute de una película. Si bien puede apreciar que Schindler’s List o Hotel Rwanda son películas de cinco estrellas, no significa que las disfrute más que una película de tres estrellas. A veces, todo lo que necesitas es una comedia de “para no tene que pensar. Esta es la razón por la que una de las primeras grandes inversiones de Netflix en contenido original fue un acuerdo de cuatro películas con Adam Sandler, el rey de la comedia de segundo año. 

Esta fue una de las películas en el acuerdo de contenido original de cuatro películas de $ 250 millones de dólares de Adam Sandler. A veces, disfrutar de una película se trata de dejar el cerebro en la puerta con una buena película de tres estrellas.

2017: Porcentaje de coincidencia

Entonces, con la pérdida de calificaciones de estrellas y la idea de que las calificaciones de estrellas no equivalen al disfrute de una película, Netflix cambió su sistema. Cambiaron a un «porcentaje de coincidencia» que indicaba cuánto disfrutaría de una película, independientemente de su calidad.

A continuación, Netflix me da un «80% de coincidencia» para El irlandésHay un 80% de posibilidades de que lo disfrute, lo mínimo para que Netflix me lo sugiera.

Netflix ya no indica la calidad de una película con su sistema de cinco estrellas. Simplemente indica hasta qué punto un título coincide con usted, dando una indicación de cuánto creen que lo disfrutará

2018: arte de película personalizado

El equipo de personalización de Netflix quiere presentarle el título correcto en el momento adecuado con el mayor contexto posible para animarle a ver ese título. Para hacer esto, Netflix utiliza imágenes personalizadas que se adaptan a las preferencias de cada miembro.

Aquí hay un poco más de información del blog de tecnología de Netflix:

Consideremos intentar personalizar la imagen que usamos para representar la película Good Will Hunting. Aquí podríamos personalizar esta decisión en función de cuánto un miembro prefiere diferentes géneros y temas. Alguien que haya visto muchas películas románticas puede estar interesado en Good Will Hunting si mostramos la obra de arte que contiene a Matt Damon y Minnie Driver, mientras que un miembro que haya visto muchas comedias podría sentirse atraído por la película si usamos la obra de arte que contiene a Robin Williams (un cómico conocido)

Usando el ejemplo anterior, el blog de tecnología de Netflix comparte los títulos que respaldan cada escenario, junto con el arte cinematográfico único que Netflix presenta a los diferentes miembros. La fila superior apoya a un miembro interesado en películas románticas, con la imagen de Matt Damon y Minnie Driver como héroe. La fila inferior es para los miembros que disfrutan viendo comediantes famosos. En este ejemplo, aparece Robin Williams.

Si te gustan las comedias románticas, Netflix usa el arte de la película de arriba a la derecha cuando te muestra “Good Will Hunting”. Si te gustan los comediantes famosos, tu arte de película personalizado presenta a Robin Williams.

2021: ¿Te sientes afortunado?

La personalización definitiva es que enciendes tu televisor y Netflix reproduce mágicamente una película que te encantará. El primer experimento de Netflix con este concepto es una función que el codirector ejecutivo de la empresa, Reed Hastings, llamó el botón «Me siento afortunado».

Ten en cuenta que cuando inicia sesión en su perfil en un sistema basado en TV, hay un nuevo botón «Reproducir algo». Piensa en este botón como un proxy de qué tan bien los algoritmos de Netflix conectan a los miembros con películas que les encantarán. Supongo que hoy entre el 2 y el 3% de las acciones provienen de este botón. Si este botón «Reproducir algo» genera un 10% de uso dentro de unos años, es una fuerte indicación de que la personalización de Netflix está haciendo un mejor trabajo conectando a sus miembros con películas que les encantarán.

Aquí está la visión de personalización a largo plazo: s/Gibson Biddle dentro de veinte años, Netflix eliminará tanto el botón «Play Something» como su sistema de comercialización personalizado, y esa película especial que estás de humor para ver en ese momento en particular comenzará a aparecer automáticamente.

Conclusión

Tal como ha explica Biddle, el viaje de personalización de Netflix ha tenido altibajos. Pero finalmente, la personalización ha permitido a Netflix construir una ventaja tecnológica difícil de copiar que atrae a los clientes de una manera que mejora los márgenes.

De este viaje, Biddle destaca como conclusiones:

  • Un plan: una estrategia de producto con métricas y tácticas de acompañamiento.
  • Un método para probar rápidamente varias hipótesis.
  • Una cultura que fomenta la asunción de riesgos, la curiosidad intelectual, la franqueza y el coraje de decir: «Probemos esta idea».

El último requisito: paciencia. Se necesitan décadas para construir un producto y una empresa de clase mundial.

¿N-Plus es el futuro?

S/Protocol Netflix está sopesando «N-Plus», un proyecto que describe como un «futuro espacio online donde puedes aprender más sobre los programas de Netflix y cosas relacionadas con ellos«.

¿Listas de reproducción de programas de TV personalizados? influir en su desarrollo con comentarios antes de que finalice la filmación? Estas son detalles que se desprenden a partir de una encuesta de Netflix, sobre una amplia gama de funciones y contenido, incluidos podcasts, listas de reproducción generadas por el usuario, guías prácticas y más. «N-Plus es un futuro espacio online donde puedes aprender más sobre los programas de Netflix que te encantan y cualquier cosa relacionada con ellos«, decía la encuesta.

Se desconoce si algo de esto llega a N-Plus (o si Netflix lanza N-Plus). La compañía es conocida por probar obsesivamente nuevas funciones y productos, algunos de los cuales nunca llegan al mercado.

La encuesta deja claro que Netflix quiere dominar los programas de televisión y el mundo de contenido que lo rodea. «Es posible que accedas a N-Plus cuando busque en Google algo sobre un programa o actores de un programa que le interese, o puede encontrar enlaces a él en los mensajes que recibe de Netflix, o puede haber un enlace a él, en páginas dentro de la aplicación Netflix «, decía la encuesta.

Netflix la televisión global

Como explicaba Josep-Maria Ganyet, en ‘El calamar en mi habitación‘, «La televisión global de facto hace que un estreno tenga de salida una audiencia potencial simultánea de 209 millones de suscripciones. La saturación de contenidos anglocéntricos y la apuesta de la plataforma por la producción local, especialmente en mercados donde tiene potencial de crecimiento, hacen que producciones en lengua no inglesa tengan más posibilidades que nunca. De la lista de las cinco series más vistas a Netflix en su debut, solo dos son de los EE.UU. (la española La casa de papel está en 7.ª posición). En la era preNetflix un éxito de fuera de EE.UU. llegaba años después a los espectadores, que normalmente veían en forma de remake«.

Netflix es un ejemplo de disrupción, con la personalización como herramienta estratégica, también innova en la promoción. Ganyet lo explica gráficamente: «El modelo tradicional de Hollywood es de arriba abajo: expertos y ejecutivos deciden en qué producciones invertirán en función de su conocimiento a priori. El de Netflix es, en cambio, de abajo arriba: una inversión en promoción inicial modesta que puede aumentar dinámicamente de acuerdo con datos masivos de visionado; si la serie funciona para un segmento demográfico, geográfico o psicográfico o bien si genera una actividad inusual en las redes sociales«.

Imagen de Tumisu en Pixabay

Post relacionados:

Dejar una contestacion

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

 

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.