Desvelando las Estrategias de Datos: Lo que Netflix Aprende de YouTube

[Este artículo es parte de Think Data, un conjunto de informes sobre tendencias de consumo SVOD con perspectiva paneuropea desarrollados por The Film Agency]

Haciendo foco en los contenidos, Marta Arroyo, en su podcast “Un Podcast Ninja sobre Big Data e Inteligencia Artificial”, explica magistralmente en su sexto episodio cómo YouTube, para mejorar su servicio de contenidos, ha utilizado tres tipos de análisis de datos: descriptivo, predictivo y prescriptivo.

Estas estrategias han sido clave para la evolución de YouTube, y su paralelismo con Netflix podría revelar cómo la segunda puede emular a la primera para optimizar su transición hacia el modelo AVOD.

• Análisis Descriptivo (lo que es): Este análisis ofrece una fotografía del estado actual de algo. Es el tipo de análisis más tradicional, utilizando KPIs como número de reproducciones, usuarios únicos, minutos vistos, tasas de abandono, número de suscripciones, engagement (likes y comentarios), y veces compartido, para evaluar el rendimiento de los videos y alimentar el algoritmo. En su inicio, YouTube usó estos indicadores para crecer en usuarios. Un similar objetivo fue clave durante las streaming wars, donde Netflix y otros competidores se enfocaron en KPIs de este tipo para guiar sus estrategias de captación de suscriptores e instauraron la -discutible- praxis de integrar esas métricas como brújula para decidir sobre la continuidad de sus contenidos.
• Análisis Predictivo (lo que puede ser): Aquí es donde las cosas se vuelven más complejas. Basándose en los datos recolectados históricamente, YouTube pudo predecir qué videos tendrían más o menos popularidad y optimizó la calidad de estos en función de esa predicción, vamos que asignó recursos de almacenamiento en base a los resultados predictivos. Netflix ha hecho algo similar a YT, pero en vez de para asignar recursos de almacenaje, lo usa para asignar recursos de inversión en producciones o adquisiciones, según las predicciones de potencial para captar y/o fidelizar suscriptores de cada contenido.
• Análisis Prescriptivo (lo que tiene que pasar para que suceda): Este es el tipo de análisis más avanzado y complejo, donde intervienen herramientas de machine learning más sofisticadas. . En 2012, YouTube se dio cuenta de que la clave no era simplemente tener videos populares, sino mantener a la audiencia en la plataforma el mayor tiempo posible viendo una variedad de contenidos y por ende de publicidad. Esto llevó a una evolución en su sistema de recomendación, que optimizó la retención del usuario para maximizar los ingresos publicitarios. Netflix, que usó modelos prescriptivos para optimizar la personalización del lineup de cada usuario (y así retener la suscripción) con su incursión en el AVOD, deberá ajustar su sistema de recomendaciones para no solo retener usuarios, sino maximizar el tiempo que estos pasan viendo distintos contenidos y optimizar los ingresos por publicidad.

[Siguiente entrega: ¿Cuál es el futuro de Netflix? El que ha comenzado a implementar]