«Como servicio de televisión a la carta en Internet y con más de 75 millones de suscriptores en todo el mundo, somos los primeros interesados en que los usuarios estén contentos, que consuman muchas horas de nuestro contenido y, por supuesto, que ni piensen en darse de baja», dijo Todd Yellin, vicepresidente de innovación de producto en Netflix.
«Ofrecer cada vez más y más contenido es una gran fortaleza, pero también es un reto, y es que nadie va a pararse a mirar los miles y miles de títulos disponibles. De hecho, calculamos que un usuario promedio consulta como mucho entre 30 y 50 títulos antes de ver nada», aseguró Yellin. Seguramente ahora se entienda un poco mejor por qué las recomendaciones automáticas de series o películas y la apariencia de la plataforma son tan importantes para Netflix.
Etiquetado o tagging
Tan solo viendo un tráiler podemos descubrir alguna de las palabras claves con las que etiquetar una serie. Tomaremos como ejemplo este tráiler de la segunda temporada Daredevil:
«Drama», «violencia», «oscuridad», «acción» o «vigilantes» son algunas de las más obvias, pero hay muchas más para cada serie, película o documental de Netflix. La localización, si el protagonista es masculino o femenino, qué tipo de género audiovisual es o el idioma son algunos de los puntos básicos que toman como referencia los denominados «taggers», que son personas reales, como tú y como yo, que trabajan para Netflix y que se dedican a ver el nuevo contenido que se va añadiendo a la plataforma. Después categorizan cada cosa que ven con adjetivos o palabras clave como las que hemos mencionado con Daredevil. El objetivo final es descubrir lo que dentro de la compañía llaman «taste clusters». Son grupos de gustos asociados y que se obtienen al cruzar las estadísticas de consumo de los usuarios. Un «taste cluster» puede ser «películas biográficas de personajes femeninos» o «series históricas».
Lo interesante del proceso de etiquetado de cada contenido, aparte de que sea en gran medida supervisado por seres humanos, es que permite descubrir patrones de uso. Cada suscriptor tiene asociado a su perfil diferentes «grupos de gustos» y, aunque te parezca mentira, hay personas que los comparten casi exactamente contigo, solo que, tal vez, viven a 10.000 kilómetros de ti, en la otra punta del mundo. Son los llamados «taste twins», o «gemelos de gusto», que serán más eficientes y útiles cuantos más usuarios haya. A más variedad de gustos y conexiones entre diferentes contenidos, más capacidad de afinar tendrá Netflix a la hora de recomendarte algo simplemente basándose en las etiquetas. Pero ahí no acaba todo.
15 mayordomos virtuales preocupándose por ti
Si la parte de etiquetado aporta el lado humano al sistema de recomendación automática de Netflix, los algoritmos son la base tecnológica y más «robótica». En la actualidad, Netflix usa 15 algoritmos diferentes. Uno, por ejemplo, se dedica a encontrar contenidos similares a los que acabas de ver. Otro en agrupar personas con los mismos gustos (los citados «taste clusters») y otro en distinguir entre los títulos mejor y peor valorados. Son números y estadísticas que se mezclan y procesan con el objetivo de analizar causas y motivaciones por las que un usuario ve una película u otra, o a qué hora se ve más un contenido o qué tipo de documental suelen ver aquellos que antes han visto tal otro.
Los algoritmos de Netflix te vigilan cada vez que entras en la plataforma, pero realmente solo te asocian a números y parámetros, no a nada concreto que pueda ir contra tu privacidad. Es decir, un algoritmo solo te reconoce por una serie de valores estadísticos, aunque al final el resultado de todo el proceso resulte en una pantalla vistosa en la que tengas todos los contenidos que te gustan (o que te pueden gustar) agrupados. A pesar de que para ellos solo eres un puñado de números y letras, están constantemente preocupándose por ti, analizando alteraciones o parámetros que cambian y, sobre todo, intentando dilucidar por qué suceden.
Este proceso se lleva a cabo antes de que se tenga en cuenta el etiquetado que, recordamos, es la parte «humana» del sistema de recomendación automática.
Un prueba y error continuo
Todd Yellin nos confesaba que absolutamente todo lo que vemos en la plataforma de Netflix es así gracias a un método continuo de prueba y error, desde el tamaño de la sinopsis de una película, la separación entre los caracteres, el tamaño de la imagen de fondo o de las casillas de cada capítulo… Todo.
Aunque hay un equipo de cientos de expertos enfocados en la interfaz de usuario, son los propios suscriptores los que deciden lo que se queda. Por ejemplo, en la imagen de arriba vemos todas las que fueron candidatas a imagen promocional para todo el mundo de la serie Jessica Jones. Las que aparecen con el recuadro en verde fueron las más aceptadas. ¿Y qué significa esto? ¿Que obtuvieron más clics? «No, si nos basáramos en los clics, podríamos usar tácticas que usen el erotismo o lo morboso», dice Yellin. «Nuestro máximo interés está en saber si el usuario ha acabado viendo el contenido entero, y sabemos que la imagen promocional es una ventana muy importante para suscitar el interés del espectador». Por tanto, las imágenes ganadoras en el «caso Jessica Jones» son aquellas en las que los usuarios acabaron interesándose y viendo los episodios de la serie, no solo curiosearon dentro de su área dedicada dentro de la plataforma. Es posible que alguna de las imágenes promocionales candidatas te resulten familiares, y eso es porque Netflix estaba haciendo un Test A/B en tu país. De hecho, es posible que en la mayoría del mundo funcione una imagen, pero en un país concreto no suceda lo mismo. En ese caso, se quedaría la que mejor aceptación tuviese.
¿Cuántos suscriptores se han dado de baja este mes? ¿Cuántos se han dado de alta? ¿Cuántos se han quedado? Tienen los datos que hemos comentado en el apartado de algoritmos, que se traducen a información, a implicaciones y motivaciones. Una causa del éxito de una serie puede ser su imagen promocional, el día en el que se estrena o las etiquetas que tenga asociadas. Netflix lo que busca es estudiar los usuarios felices e intentar replicar los porqués a todos los demás. Y para eso utiliza continuamente Tests A/B. ¿Qué pasa si cambiamos el tamaño de fuente en este apartado? ¿O qué pasa si esta imagen tiene unos tonos más cálidos? ¿Y si le ponemos el tráiler de Luke Cage a los que acaben de ver Daredevil o Jessica Jones? Es un proceso vivo, constante y transparente. No tienen problema en reconocer que usan a los usuarios como «sujetos de pruebas», y es que, en realidad, lo hacen para adaptarse a los gustos y necesidades de los suscriptores, una manera más democrática de entender la experiencia de usuario.
