Por Alejandro Alonso
Netflix desembarcó en América Latina en septiembre de 2011, y desde su arribo no ha dejado de sumar usuarios y de innovar. El mexicano Carlos Gómez Uribe, vicepresidente de innovación global de Netflix, que se había incorporado en Netflix un año antes, fue testigo de ese crecimiento. “Cuando me sumé (a Netflix) sólo estábamos disponibles en los Estados Unidos, y ese mismo año (2010) abrimos en Canadá”, recuerda Gómez Uribe, quien hace algunas semanas visitó Buenos Aires, acompañando una rueda de promoción regional de las producciones originales de Netflix.
Por aquellos años, la compañía estaba trabajando duramente para transformarse en una plataforma global de televisión vía Internet, y en ese orden tenían que superar numerosos desafíos. Desde localizar la interacción con los usuarios para contextos culturales y lingüísticos muy diferentes —como pueden ser los de Oriente Cercano en comparación con los de América Latina— hasta refinar la manera en que los videos eran emitidos, optimizando el uso de ancho de banda disponible, como así también de los distintos formatos de pantallas (tanto a nivel de resolución, como de velocidades de trasmisión). Y ése era sólo el comienzo.
Uno de los puntos fuertes de Netflix son los algoritmos que les permiten explotar la información que obtienen de las distintas comunidades de usuarios, de manera de hacer recomendaciones y establecer preferencias. Si la operación apuntaba a ser global, esos algoritmos también debían aplicar a todo el mundo… literalmente. Esto les permitiría, por ejemplo, elaborar rápidamente recomendaciones, aún en países donde él desembarco había sido reciente. “Invertimos todo el año pasado haciendo que todos estos algoritmos fueran globales”, reconoce Gómez Uribe.
No es un punto menor: a diferencia de la televisión tradicional (y al igual que sucede en muchos negocios en línea) el punto central es la elección, una clase de elección para la cual los humanos no estamos preparados, que es la que hay que hacer entre opciones demasiado numerosas y diversas. En la televisión tradicional, las opciones son limitadas a la disponibilidad de canales y al momento en que se encara dicha elección. Al respecto, vale la pena recorrer un paper que Uribe escribió junto con el jefe de producto de Netflix, Neil Hunt: “The Netflix Recommender System: Algorithms, Business Value, and Innovation”
“Históricamente —apunta el paper—, el problema de las recomendaciones de Netflix fue pensado como el equivalente al de predecir la cantidad de estrellas con que una persona podría calificar un video después de verlo, en una escala de 1 a 5. De hecho, nosotros nos apoyamos fuertemente en ese algoritmo cuando nuestro negocio principal era distribuir DVDs por correo, en parte porque en ese contexto, una calificación por estrellas era la principal realimentación que recibíamos acerca de si esa persona había visto realmente el video”. Los días de despachar DVDs ya son historia. “Ahora, emitimos contenido vía stream, y tenemos enormes cantidades de datos que describen qué es lo que cada miembro de Netflix mira, cómo lo mira (por ejemplo, desde qué dispositivo, o a qué hora del día, o en qué día de la semana, la intensidad con que lo mira, etc.), el lugar en nuestro producto en el cual cada video fue descubierto, e incluso las recomendaciones que fueron mostradas pero no ejecutadas en cada sesión”. Todos esos datos permiten afinar muchísimo la puntería, siempre y cuando se sepa cómo destilar información relevante de esos datos.
EXPERIMENTAR, ENTENDER, INNOVAR
Una de las cosas que no funcionó para Netflix fue el uso de las redes sociales como apoyo para las recomendaciones. De hecho, fue una de las primeras plataformas en intentarlo, y lo evaluaron durante tres años. “Nunca funcionaron bien, la gente no las usaba”, admite Gómez Uribe, quien agrega que los intentos de elaborar recomendaciones de contenido en base al análisis de los patrones de lo que veían los amigos de Facebook resultaron infructuosos. “Cuando evaluamos una funcionalidad, a menos que la use una cantidad suficiente de personas, no tiene sentido el lanzarla a producción, porque complica el sistema y la interfaz”.
Los esfuerzos de Netflix para retener a los usuarios se centran en dos frentes: la mejora de las interfaces de usuario y realizar experimentos para las diferentes plataformas (por ejemplo, una líneas de innovación ataca el mundo de los smart TVs y las consolas de videojuegos, otra se dedica a computadoras y laptops, otra en iOS, otra en Android, etcétera). Para Netflix, no existe un punto de innovación que aplique a todo, la innovación se busca en cada línea por separado. De hecho, hay features que pueden funcionar en smartphones o tablets y no en las demás pantallas. Sin embargo, cuando tiene sentido, a veces el hallazgo realizado para una plataforma se evalúa en otras.
“La mayoría de las tecnologías que usamos son tecnologías abiertas”, explica Gómez Uribe. Entre estas tecnologías, están Java y Spark (esta última, para construir algoritmos). “Y cuando podemos contribuimos con los proyectos de Open Source, como lo hicimos con las herramientas que construimos para la nube de Amazon”. Esa nube es utilizada para comprimir todos los videos que tenemos. Sobre ella corren todos los cálculos de recomendaciones y desde allí se envían páginas que ven los miembros, aclara Gómez Uribe. Pero ni bien el usuario hace Play, se conecta a una red propia (cash data network). Tanto los alojamientos como las bases de datos están totalmente distribuidas. “También tenemos la capacidad de mover el tráfico, según contingencias, de un centro de datos a otro. Lo que queremos es lograr ese flujo continuo para que la experiencia sea superestable”, explica. Hoy se puede mover ese tráfico entre centros de datos de los Estados Unidos y contra algunos países, pero aún no entre todos.
DATOS GLOBALES
Gómez Uribe duda en calificar lo que hacen con etiquetas que hoy están de moda, como Big Data o Machine Learning. Sigue hablando de estadísticas y algoritmos. Hasta hace poco más de un año, Netflix utilizaba datos locales como insumo para esos algoritmos, pero eso cambió. La búsqueda de los patrones para identificar comunidades se realiza hoy a escala global, de forma que siempre se tienen volúmenes significativos de datos. Esta deslocalización (que llevó un año de trabajo e involucró a cerca de 70 personas) dio resultados muy promisorios.
Gómez Uribe lo grafica en torno a la saga “Volver al futuro”, formada por tres verdaderos clásicos de la ciencia-ficción contemporánea. Descubrieron que el 5% de la comunidad que establecieron en torno a estos filmes está en la Argentina. Esto hubiera sido imposible de detectar por el método anterior, porque hubieran faltado datos. Más interesante resulta el hecho de que sólo el 15% de quienes miran películas verdaderamente “argentas”, como “Bañeros 3”, “Un cuento chino” o “Papá se volvió loco” están en la Argentina. Contrario a lo que podría suponerse (y que es práctica corriente en algunas plataformas sociales) Netflix no individualiza a partir de la información de cada miembro, sino que los mapea en relación con estas comunidades, generando las recomendaciones a partir de esa red de pertenencia.
Compartir nota:
