More than 80 per cent of the TV shows and movies people watch on Netflix are discovered through the platform’s recommendation system. That means when you think you are choosing what to watch on Netflix you are basically choosing from a number of decisions made by an algorithm.
Netflix offers thousands of TV shows available for streaming. It recommends titles for each user. If you use Netflix you may have noticed they create reeeally precises genres: Romantic Dramas Where The Main Character is Left Handed. How do they come up with those genres? How to they deal with giving great recommendations to their 100 million-plus subscribers who are already used to getting recommendations from pretty much every platform they use? Aprendizaje automático, algoritmos y creatividad. Esos son sus trucos mágicos para ayudar a romper las nociones preconcebidas de los espectadores y encontrar programas que inicialmente no habrían pensado ver. Para aquellos que todavía están tratando de entender lo que es un algoritmo, es básicamente un conjunto de instrucciones basadas en una base de datos que le dice a Netflix lo que tiene que hacer.
El sistema de recomendación funciona juntando datos recogidos de diferentes lugares. Las filas recomendadas se adaptan a tus hábitos de visualización. Por eso puedes saber cuándo tus primos pequeños han usado tu cuenta para ver mil millones de horas de Peppa Pig. En este caso, los algoritmos se utilizan a menudo para facilitar el aprendizaje automático. Los sistemas como Netflix basados en el aprendizaje automático se reescriben a sí mismos a medida que aprenden de sus propios usuarios. Cada vez que pulsas el play y pasas un rato viendo un programa de televisión o una película, Netflix está recogiendo datos que informan al algoritmo y lo refrescan. Cuanto más ves, más actualizado está el algoritmo.
Los datos recogidos son multifacéticos y complejos, pero implican mucho más que procesar el género de un programa que está viendo un usuario y recomendarle dramas, romances o comedias. Todd Yellin, vicepresidente de innovación de productos de Netflix, dijo a Wired en 2017: «lo que vemos de esos perfiles son los siguientes tipos de datos: lo que la gente ve, lo que ve después, lo que ve antes, lo que vio hace un año, lo que ha visto recientemente y la hora del día». La experiencia de Netflix se rige por una serie de algoritmos de aprendizaje automático: clasificación, búsqueda, similitud, calificaciones y más. No pueden ofrecer todo su catálogo a la vez, por lo que tienen que seleccionarlo. Como la calidad y el gusto rara vez son lo mismo, Netflix no puede funcionar como Rotten Tomatoes, Pitchfork o IMDb, tienen que conocer a sus usuarios y conseguir recomendaciones a la medida de cada uno.
Netflix trabaja con grupos de gustos. Cada espectador encaja en varios grupos y estos afectan a las recomendaciones que aparecen en la parte superior de cada interfaz en pantalla, a las filas de géneros que se muestran y a cómo se organiza cada fila. Si tus patrones de visionado son similares a los de otro usuario, Netflix te ofrecerá recomendaciones basadas en el comportamiento de ese otro usuario.
Las etiquetas que se utilizan para los algoritmos de aprendizaje automático son las mismas en todo el mundo. Netflix ha contratado a humanos de la vida real para categorizar cada uno de los programas de televisión y películas y aplicar etiquetas a cada uno de ellos con el fin de crear microgéneros hiperespecíficos como «dramas nostálgicos visualmente impactantes» o «películas románticas de viaje por carretera subestimadas».
Cada uno de estos factores de datos se une para identificar en qué grupo de gustos encajas. La pantalla de cada usuario se rellena -a la izquierda, a la derecha y de arriba a abajo- en función de los grupos a los que pertenece.
¿Por qué filas de todos modos?
Chris Alvino, Ingeniero de Aprendizaje Automático en Netflix, explica que eligen las filas para facilitar a los miembros la navegación por una gran parte de su catálogo. Al presentar grupos coherentes de vídeos en una fila, proporcionar un nombre significativo para cada fila y presentar las filas en un orden útil, los miembros pueden decidir rápidamente si es probable que un conjunto de vídeos en una fila contenga algo que les interese ver en ese preciso momento. Esto permite a los miembros profundizar y buscar más vídeos en el tema o saltárselos y mirar otra fila.
Cada dispositivo tiene diferentes capacidades de hardware que pueden limitar el número de filas que se muestran en un momento dado y lo grande que puede ser toda la página por eso Netflix debe ser consciente de las limitaciones de cada dispositivo.
Cada fila puede ofrecer una porción única y personalizada del catálogo para que un miembro navegue. Parte del reto de Netflix es crear agrupaciones útiles de vídeos para destacar la profundidad del catálogo y ayudar a los miembros no sólo a reforzar sus áreas de interés, sino también a encontrar otras nuevas. Las recomendaciones deben ser frescas y receptivas, pero también estables, para que la gente esté familiarizada con su página de inicio y pueda encontrar fácilmente los vídeos que le han recomendado en el pasado reciente.
Una imagen vale más que mil palabras
Netflix ha implementado recientemente un nuevo algoritmo de recomendación basado en obras de arte. Sirve a sus suscriptores imágenes únicas hechas a medida. Estas imágenes están especialmente diseñadas para que te quedes pegado a Netflix. Tiene en cuenta muchos de los mismos factores de datos que hemos mencionado.
Gopal Krishnan explicó todo sobre este nuevo algoritmo en su entrada del blog técnico. Netflix ha estado trabajando para crear un marco que les permita cruzar eficazmente el big data con la creatividad, ayudando a los usuarios a descubrir programas y películas que disfrutarán más rápidamente y evitando que se vean abrumados con el ENORME catálogo de Netflix. Como resultado de esa investigación, ahora tienen la capacidad única de entender qué imágenes funcionan mejor para cada usuario.
Dicen que si no captan la atención de un usuario en 90 segundos, probablemente perderá el interés y pasará a otra actividad. Al tener tan poco tiempo para captar el interés, las imágenes se convierten en la forma más eficiente y convincente de hacer que los usuarios descubran el título perfecto lo antes posible.
Han construido un sistema que prueba un conjunto de imágenes para muchos títulos de su catálogo ayudando a mostrar una imagen atractiva para impulsar el compromiso. A través de muchos experimentos y pruebas, Netflix llegó a la conclusión de que ver una determinada gama de emociones realmente obliga a la gente a ver un programa de televisión o una película. Es probable que esto se deba al hecho de que las emociones complejas transmiten una gran cantidad de información a los usuarios en relación con el tono o la sensación del contenido, pero es interesante ver la cantidad de miembros que realmente responden de esta manera en las pruebas. Un ejemplo de esto se ve en la reciente imagen ganadora («ganadora» significa que impulsó la mayor cantidad de engagement) para la segunda temporada de Unbreakable Kimmy Schmidtbelow:
That winning image is the one that would work best for a majority of Netflix users. But they have pushed even further and given the enormous diversity in taste and preferences, they decided to put together different artwork for each user to highlight the aspects of a show or movie that are relevant to them.
In order to choose which image each user has on their feed, Netflix focuses on what other shows and movies users have been watching. For example, a member who watches many movies featuring Uma Thurman would likely respond positively to the artwork for Pulp Fiction that contains Uma. Meanwhile, a fan of John Travolta may be more interested in watching Pulp Fiction if the artwork features John.
Not all the scenarios for personalizing artwork are this clear and obvious but data does all the work in order to choose the artwork for each user and improve the Netflix experience (and keep users binging, of course).
