En febrero de 2013 Netflix estrenó House of Cards. Una serie por la que, en 2011, había acometido una inversión sin precedentes en el mundo de la televisión, 100 millones de dólares por dos temporadas de 26 capítulos, del tirón, sin episodio piloto, sin renovaciones condicionadas a audiencias… sin ninguna garantía aparente. Esta no fue la única novedad, para su estreno sorprendió a toda la industria televisiva lanzando la temporada completa en su plataforma, 13 capítulos de golpe. En un mundo acostumbrado a estrenar los capítulos a cuenta gotas cada semana, nadie conseguía discernir en qué se basaba la estrategia de Netflix, algunos señalaban que era un modo de diferenciarse respecto a los medios tradicionales de televisión. Pero la estrategia iba mucho más allá.
La garantía con la que contaba Netflix era el Big Data. La recogida, tratamiento y análisis de datos de forma masiva. Netflix llevaba todos los años anteriores analizando cada click de sus usuarios, analizando cuándo pausaban, avanzaban o rebobinaban, qué contenido veían cada día a la semana (descubrieron que la gente ve series durante la semana y películas los fines de semana), cuánto tiempo reproducían, qué valoraciones daban, sus búsquedas, qué dispositivos usaban o cuándo comenzaban los créditos. Todos estos datos pueden resultar baladíes, pero como hemos dicho el Big Data no solo se basa en la recolección masiva de datos sino que se caracteriza por su tratamiento y análisis. Puede que haya resultado sorprendente que se preocupen por cuándo empiezan los créditos pero lo que haga el usuario tras acabar la película resulta crucial. Netflix ha calculado cuánto contenido tienen que ver sus usuarios para ser menos propensos a cancelar su suscripción, si un usuario consume al menos 15 horas la probabilidad de que se de baja será de un 15% mientras que si lo hace 5 horas la probabilidad será del 95%. Teniendo esta información se preguntarán cómo puede ayudar a los usuarios a ver al menos 15 horas al mes. Una idea fue la reproducción automática del siguiente capítulo para las series o el panel de recomendaciones para las películas. Estas recomendaciones se basan en un algoritmo que procesa los datos de cada usuario y le muestra qué contenido ver de acuerdo a sus preferencias. Esto significa que Netflix adapta su producto a cada usuario, o en palabras de Joris Evers, director global de la empresa, que “existen 33 millones de versiones diferentes de Netflix”. En la actualidad se estima que el 75% de reproducciones provienen de las sugerencias previas.
En cuanto a la promoción, como se pueden imaginar, Netflix también ideó un método innovador, acostumbrados a la promoción tradicional mediante un único tráiler, aprovecharon los datos de los que disponían para realizar diferentes tráileres basados en el comportamiento del espectador, es decir segmentaron la promoción. De esto modo el tráiler que verías si anteriormente habías visto películas de Kevin Spacey sería uno basado en él, aquellos que vieran muchas películas protagonizadas por mujeres verían un tráiler interpretado por una mujer y a aquellos que fueran fans de David Fincher se les daría a conocer su papel en la serie.
El uso del Big Data en su estrategia de marketing ha situado a Netflix como líder del sector en cuanto a eficiencia. Cuando una serie recibe luz verde para ser emitida, hay un 35% de posibilidades de que tenga éxito y un 65% de que sea cancelada. Actualmente Netflix tiene 7 series originales, de las cuales 5 han sido renovadas, esto significa que la probabilidad de éxito es aproximadamente del 70%. Pero su CEO, Reed Hastings, afirma que si bien el Big Data es una herramienta crucial, el principal factor para tomar decisiones sigue siendo la intuición, argumentando que series como Breaking Bad que han resultado un éxito absoluto, no hubieran visto la luz si solo hubieran dependido del análisis de los datos.
Por lo tanto, aunque el Data Science haya revolucionado el marketing, no ha sido capaz de sustituir las técnicas precedentes. El futuro deparará si el devenir del “machine learning[1]” puede sustituir el factor humano.
[1] Rama del Data Science que consiste en el autoaprendizaje del entorno por parte del ordenador sin necesidad de ser programado
Bibliografía
Bulygo, Z. (2013). How Netflix Uses Analytics To Select Movies, Create Content, and Make Multimillion Dollar Decisions. Obtenido de Kissmetrics: https://blog.kissmetrics.com/how-netflix-uses-analytics/
Carr, D. (24 de febrero de 2013). Giving Viewers What They Want. Obtenido de New York Times: http://www.nytimes.com/2013/02/25/business/media/for-house-of-cards-using-big-data-to-guarantee-its-popularity.html
Dindar, S. (14 de marzo de 2016). House Of Cards, One Big Successful Marketing Experiment. Obtenido de QuickTapSurvey: http://www.quicktapsurvey.com/blog/2016/03/14/house-of-cards-one-big-successful-marketing-experiment/
El CEO de Netflix ‘pasa’ del Big Data: «Las decisiones se basan en la intuición». (22 de enero de 2016). El Economista.
Satell, G. (4 de marzo de 2013). What Netflix’s ‘House of Cards’ Means For The Future Of TV. Obtenido de Forbes: http://www.forbes.com/sites/gregsatell/2013/03/04/what-netflixs-house-of-cards-means-for-the-future-of-tv/#644514e873d8
Smart, P. (16 de febrero de 2013). Why did Netflix decide to release all 13 episodes of House of Cards at once? Obtenido de Quora: https://www.quora.com/Why-did-Netflix-decide-to-release-all-13-episodes-of-House-of-Cards-at-once
Zafra, J. M. (23 de abril de 2016). Cómo ‘House of Cards’ se convirtió en un éxito mundial gracias a un algoritmo. El Confidencial. Obtenido de http://www.elconfidencial.com/tecnologia/2016-04-23/big-data-algoritmos-house-of-cards-netflix_1187799/
TRIVIUM 