Cómo las recomendaciones evolucionaron de calificaciones por estrellas a datos de comportamiento, y por qué el sistema podría valer miles de millones al expandirse a 325 millones de espectadores.
Ethan Swope / Bloomberg via Getty Images
Una versión de este artículo apareció originalmente en el boletín de fin de semana exclusivo para miembros de Quartz. Los miembros de Quartz tienen acceso a boletines exclusivos y más. Regístrate aquí.
Netflix $NFLX se da a sí mismo 90 segundos. Ese es el tiempo que las investigaciones muestran que el suscriptor promedio navegará antes de perder el interés y pasarse a un competidor. En esa ventana, el motor de recomendaciones de la compañía debe mostrar algo atractivo de un catálogo de miles. Si aciertan, el suscriptor se queda. Si fallan con suficiente frecuencia, cancelan.
Únete a más de 500.000 lectores que comienzan su día con Quartz.
Al suscribirte, aceptas nuestros Términos de servicio y Política de privacidad.
En 2016, cuando Netflix tenía alrededor de 80 millones de suscriptores, los ejecutivos de la compañía valoraron este emparejamiento algorítmico en $1 mil millones por año en clientes retenidos. Una década después, el gigante del streaming ahora tiene 325 millones de suscriptores en todo el mundo. Mientras que Netflix no ha actualizado esa cifra públicamente, los cálculos sugieren que su sistema de recomendación se ha convertido en una de las piezas de software más valiosas del entretenimiento.
Ahora, mientras Netflix busca una adquisición de $83 mil millones de Warner Bros. Discovery, un estudio centenario que ayudó a inventar Hollywood, el enfoque algorítmico que construyó el dominio del streamer está listo para absorber por completo a los viejos guardias.
La compañía el sistema de recomendación temprana se basaba en calificaciones de estrellas — lo que decían los usuarios sobre las películas después de verlas. Pero en 2017, Netflix abandonó ese enfoque por algo más revelador: datos de comportamiento.
En lo que realmente haces clic. Cuánto tiempo miras antes de abandonar un título. A qué hora del día estás viendo, y en qué dispositivo. Qué pasas por alto sin seleccionar. Este feedback implícito resultó ser mucho más valioso que las preferencias explícitas. Los gustos declarados de las personas, resulta, son narradores poco fiables.
Hoy, Netflix registra cientos de miles de millones de estas microinteracciones anualmente, alimentándolas a un sistema de algoritmos entrelazados que personaliza casi todos los elementos de la experiencia de visualización. La misma película puede aparecer con diferentes imágenes en miniatura para diferentes usuarios, enfatizando el romance para un espectador y la acción para otro.
Incluso el orden de las filas en tu página de inicio está calculado específicamente para ti. Detrás de escena, equipos de "etiquetadores" ven cada título y asignan atributos granulares — si un programa presenta un elenco conjunto, está ambientado en el espacio, o protagoniza a una mujer fuerte — que los sistemas de aprendizaje automático utilizan para clasificar a los espectadores en miles de "comunidades de gustos."
La eficiencia de este enfoque creó una nueva categoría de entretenimiento que los críticos han llamado la "película de algoritmo" — películas diseñadas para atraer a la audiencia más amplia posible combinando elementos familiares y validados por datos.
Piensa en el fracaso de ciencia ficción de 320 millones de dólares de Netflix The Electric State, que los críticos describieron como una mezcla de búsquedas infantiles al estilo Spielberg, desiertos de Mad Max y estética retrofuturista. O los vehículos de Ryan Reynolds que aparecen confiablemente en reproducción automática, cuyos títulos a menudo transmiten exactamente lo que hay dentro: Tall Girl, Murder Mystery, Red Notice.
Estas producciones suelen tener lo que una fuente de la industria describió como "puntos de trama fáciles de seguir que no dejan a ningún espectador atrás." Los guionistas que trabajan con Netflix supuestamente han recibido indicaciones pidiéndoles que los personajes anuncien lo que están haciendo, para que los espectadores que miran mientras revisan sus teléfonos puedan seguir la trama.
Las mezclas de sonido son planas porque necesitan funcionar en diferentes entornos, desde auriculares VR hasta pantallas de teléfonos agrietadas. La iluminación se mantiene brillante pero de bajo contraste, diseñada para no sacar a nadie de un estado de Netflix-and-chill.
Los ejecutivos de Netflix niegan haber creado contenido a partir de datos, con el co-CEO Ted Sarandos afirmando que la comisión es "70% instinto y 30% datos."
Pero la influencia de la empresa se extiende más allá de sus propias producciones. Su modelo de distribución global, que exige derechos mundiales en lugar de licencias por territorio, ha reestructurado cómo se financian las películas independientes. El antiguo sistema de pre-venta de derechos de distribución en mercados individuales se ha derrumbado en gran medida.
Lo que queda es un sistema donde las películas que tienen más probabilidades de hacerse son las que tienen más probabilidades de ser recomendadas.
Ese sistema sigue evolucionando. Ahora Netflix está integrando IA generativa a su base algorítmica. La empresa ya utiliza el aprendizaje automático para seleccionar qué fotogramas de un programa podrían funcionar mejor como imágenes promocionales, para generar obras de arte personalizadas y para asistir con efectos visuales.
Netflix presenta estas herramientas como facilitadores para narradores humanos, no como reemplazos. Pero si la adquisición de Warner Bros. tiene éxito, la empresa no solo estará dando forma a nuevas historias, sino que controlará una biblioteca de antiguas creadas mucho antes de que los algoritmos tuvieran algo que decir.
Eso incluye Casablanca, una película famosa por ser reescrita en el set, su final sin terminar hasta días antes de filmar. Ese tipo de caos creativo es difícil de imaginar sobreviviendo a un sistema diseñado para minimizar el riesgo y maximizar las tasas de finalización.
Pero el algoritmo todavía tendrá 90 segundos para convencerte de que presiones play.
