Please enable JavaScript.
Coggle requires JavaScript to display documents.
L19 - DATA MANAGEMENT IN AUDIOVISUAL BUSINESS: NETFLIX AS A CASE STUDY,…
L19 - DATA MANAGEMENT IN AUDIOVISUAL BUSINESS: NETFLIX AS A CASE STUDY
La incorporación de las nuevas tecnologías en el ámbito audiovisual ha suscitado una serie de cambios en los modelos de negocio
La hoja de ruta de la adaptación viene marcada por dos aspectos fundamentales:
Utilidad
Como indica Fernández-Manzano (2016), en el caso concreto de los big data, o la gestión de datos masivos, en entornos audiovisuales “los datos en sí carecen de valor, la importancia radica en el uso que se haga con ellos”.
Franja temporal
Es decir, la cantidad de datos que pueden gestionar las nuevas tecnologías no siempre va a la velocidad que demanda la sociedad usuaria.
Esto es así porque las nuevas formas digitales de acceso y consumo de productos audiovisuales requieren nuevos modos de actuar por parte del usuario
Netflix es una marca global con más de 81 millones de suscriptores en todo el mundo que reproducen más de 125 millones de horas de contenido al día, según datos de la compañía correspondientes al 1er trimestre de 2016
El negocio de la distribución de contenidos online es consciente de que obtener información de sus propios usuarios se convierte en una ventaja competitiva sin precedentes
Las nuevas tecnologías permiten a las empresas almacenar y generar grandes volúmenes de información, incluso demandar acciones tecnológicas muy definidas a nivel de negocio.
Tanto los usuarios como las empresas generan datos en su interactuación con las nuevas tecnologías.
Dicha producción de datos es tan prolífica que se ha denominado big data (grandes datos).
BIG DATA
Éste es el término empleado para referirse a toda aquella cantidad ingente de datos que, debido a sus características, no puede ser siempre procesada por los sistemas informáticos tradicionales.
Esto puede deberse a una cuestión de volumen, lo que hará que se necesite trabajar con grandes almacenes de datos (data centers) físicos o en la nube.
También podemos valorar características como la escala temporal o velocidad, lo que va a permitir establecer predicciones.
Podemos señalar como principales características de los big data los aspectos de volumen, variedad, veracidad y velocidad (Martínez-Martínez; Lara-Navarra, 2015):
variedad: procede de la diversidad de fuentes de procedencia de la información imágenes, texto, música, cifras, tablas de Excel, diversos tipos de lenguaje, etc.
la calidad de los datos implica la característica de veracidad, dado que de ella depende que la información pueda ser útil o no
volumen: entendemos la gran cantidad de datos disponibles o accesibles
vuelve a incorporarse el valor de la velocidad: a mayor cantidad de datos, mayores posibilidades de tomar decisiones en menor tiempo; esto es una clara alusión al área de inteligencia de negocio
Estrategia de Netflix en el análisis de datos como estudio de caso
El flujo de procesos de una empresa dedicada a la distribución de contenido audiovisual bajo demanda, consciente de la utilidad de los datos, comienza con un planteamiento estratégico de negocio en el que se identifican los objetivos que se quieren conseguir; esto permitirá establecer sus métricas e indicadores de rendimiento, también conocidos como KPI (key performance indicators).
Netflix, autodenominada la “televisión por internet líder en el mundo”, basa su modelo de negocio en la suscripción y no en la inversión publicitaria propia de la televisión en abierto gratuita, pública o privada (Clares-Gavilán; RipollVaquer; Tognazzi-Drake, 2013).
Utiliza los datos obtenidos de sus usuarios no para negociar con los anunciantes o las agencias de medios, sino para captar y retener suscriptores, minimizar las bajas, conseguir fidelidad con el servicio a largo plazo, y lograr buenos índices de satisfacción con su producto
Los datos sirven a otros propósitos como los indicados a continuación:
control de calidad de los contenidos cuyos derechos han adquirido (Govind, 2014);
tamaño óptimo de su catálogo: como explica Jenny McCabe en Netflix quick guide (McCabe, 2013), Netflix no aspira a tenerlo todo, sino a garantizar que el contenido que tienen interese y se consuma. De ahí la rotación de su catálogo y la no renovación de títulos con menor acogida entre sus usuarios (menos rentables en términos de volumen de audiencia y coste de su licencia). Las páginas que, mensualmente, informan de los títulos que están a punto de salir de la oferta de Netflix gozan de gran popularidad;
posibilidad de ofrecer recomendaciones personalizadas de contenidos a sus suscriptores y ayudarles a elegir evitando que se sientan abrumados por el volumen del catálogo;
producir contenidos teniendo en cuenta las preferencias de sus clientes.
Al no depender de la publicidad, el beneficio de Netflix es proporcional al número de suscriptores que pagan una cuota.
Proceso ETL (extract, transform and load) y sistemas de almacenaje de datos
Supone el proceso propiamente de gestión masiva de la información (big data) en el que se van a aplicar criterios referentes a aspectos técnicos como la calidad (característica de veracidad), pudiendo así disponer de información útil tanto por no contener errores (datos duplicados, erróneos o inválidos) como por corresponder con los objetivos de negocio
En Netflix los datos se almacenan en la infraestructura de la nube de Amazon Web Service (AWS). Esta gestión a gran escala es la que permite alcanzar volúmenes de transmisión de contenidos de cerca de mil millones de horas al mes
Capa analítica
Ofrece información sobre las métricas y los KPI (key performance indicators, o indicadores clave de rendimiento) establecidos previamente
El catálogo de Netflix descansa sobre una compleja red de algoritmos que, nutriéndose de la monitorización del consumo conectado de sus suscriptores, contribuye a formalizar decisiones de visionado que resulten satisfactorias.
Como explican Gómez-Uribe y Hunt (2015), dependiendo de las características y las capacidades del dispositivo, Netflix puede llegar a mostrar 40 filas de selecciones (que acostumbran a corresponderse con un algoritmo específico).
Dos de cada tres horas de contenido reproducido en Netflix, explican los autores, se “descubren” en este nivel. En la práctica, hay tantos modelos personalizados bajo la apariencia de selecciones recomendadas como usuarios suscritos a la plataforma.
Entre los algoritmos más conocidos, Gómez-Uribe y Hunt (2015) destacan el Personal video ranker, una sofisticación de la tradicional clasificación por géneros, hiperespecializada gracias al trabajo de asignación de metadatos a todo el contenido que se vuelca a la plataforma.
Netflix cuenta con un equipo de personas (denominados taggers) cuyo trabajo consiste en visionar programas y asignarles etiquetas y categorías. Esta indexación de contenidos ha dado lugar a casi 80.000 microgéneros dentro de su ecosistema audiovisual (Madrigal, 2014).
Trending now es el algoritmo encargado de generar categorías-tendencia, consecuencia lógica del entorno digital y social en el que está ubicado el nuevo espectador.
Bajo este paraguas caen selecciones de contenido coyunturales basadas en picos de consumo que tienen un ciclo de vida corto como la Navidad, San Valentín o períodos vacacionales.
Retos del análisis de datos de Netflix con su expansión internacional
Como explican Raimond y Basilico (2016), hasta 2015 las recomendaciones estaban principalmente basadas en el lugar de residencia.
Cada vez que Netflix llegaba a un nuevo país, el servicio, además de un etiquetado local de contenidos, se reajustaba de manera manual.
Esta aproximación a la recomendación pretendía evitar que la estandarización perjudicase la experiencia del usuario, y que se alejase de su cultura audiovisual.
La expansión internacional afianzada en 2016 ha impuesto un cambio operativo: en lugar de escalar la aproximación del algoritmo a cada mercado, el sistema ha evolucionado aglutinando los países en regiones con catálogos similares y dejando que los algoritmos operen individualmente en cada región, pero procesando globalmente sus datos.
Para evitar que los países pequeños perviertan el algoritmo, en los grandes, los datos de engagement o fidelización (identificados como reproducciones o intensidad de uso) se corrigen atendiendo al tamaño de los catálogos respectivos.
No podemos olvidar que la selección que ofrece Netflix en los territorios en los que opera es distinta y varía en contenido y volumen.
La gestión de derechos audiovisuales, a pesar de la falta de barreras territoriales en internet, sigue siendo territorial y delimitada a las distintas ventanas de distribución existentes: cine, home-video, VOD y televisión (Clares-Gavilán, 2014).
BRANDON ARTURO ACEVES SORROZA - 180300051
FUENTE: Fernández-Manzano, E. P., Neira, E., & Clares-Gavilán, J. (2016). Data management in audiovisual business: Netflix as a case study. El profesional de la información (EPI), 25(4), 568-576.