Inauguró la era de los “cord cutters”: los televidentes que dan de baja la suscripción a la televisión por cable. Impulsó una nueva manera de mirar series, al gusto y antojo de cada uno, que satisface tanto a quienes dosifican los 13 episodios de una temporada como a los que prefieren atragantarse mirándolos en continuado. En los últimos años, Netflix empezó a cambiar las reglas en la industria de la televisión y puso, en alerta primero, y en pie de guerra después, a los jugadores establecidos.

Aunque nació como distribuidora de contenido, la empresa de Reed Hastings invierte cada vez más en producciones originales, lanzando nuevos títulos y multiplicando los capítulos de hits como House of Cards. Sin embargo, para muchos, la clave del éxito de Netflix reside en algo menos atractivo que sus shows y mucho más abstracto: los algoritmos. 

Los algoritmos tienen la aridez del código matemático, el halo de misterio de los asuntos complejos, y el secreto de las fórmulas que orientan y definen decisiones. Para Carlos Gómez Uribe, sin embargo, son como un simple abecedario que lee y escribe con facilidad. Como VP de innovación en Netflix, dirige un equipo de 100 ingenieros en software y diseñadores, con el objetivo de “ayudar a todos nuestros miembros, en todo el mundo, a encontrar una película o serie excelente que ver en cada sesión”. En la siguiente entrevista, Gómez Uribe explica en detalle cómo innovan en Netflix y de qué manera aplican las fórmulas para propagar su éxito. 

¿Para qué se usan en Netflix los algoritmos?

Los usamos en distintas áreas. Primero, tenemos 15 algoritmos diferentes que, en conjunto, definen qué películas recomendamos al usuario. Tenemos otro conjunto de algoritmos que usamos en el “streaming”, es decir, para decidir en qué calidad enviamos un video al usuario, habida cuenta del ancho de banda. Por ejemplo, si el ancho de banda cae durante la reproducción de una película, se pasa a un archivo de video de menor definición sin que el usuario se dé cuenta; y cuando el ancho de banda se recupera otra vez, volvemos al archivo que tiene la mejor resolución. 

También usamos algoritmos para definir la estrategia de adquisición de contenido. Y para elegir qué imágenes usamos cuando mostramos una recomendación, tenemos diferentes imágenes o afiches para cada video, y algorítmicamente decidimos cuál es la que mejor representa el video para cada miembro. También tenemos algoritmos para comprimir y codificar los videos, y otros sirven para decidir cuántas copias de cada episodio guardamos en cada servidor de Internet. 

¿Cómo eligen los videos que le sugieren a un usuario?

Usamos los datos sobre qué videos ha visto cada usuario para encontrar comportamientos globales típicos, que describen los gustos de las personas. Buscamos las comunidades que mejor se ajustan a cada historial. Luego, las películas más populares en esas comunidades, que son las que le recomendamos a cada persona. 

¿Cómo definen las comunidades? ¿De qué manera se agrupa a los usuarios?

Apuntamos a identificar comportamientos. Cuando detectamos un grupo de videos vistos por un número significativo de miembros, nuestro algoritmo crea una comunidad para ese grupo de videos. Por ejemplo, tenemos una comunidad compuesta por películas de alta calidad como Amelie, dramas como la brasileña Ciudad de Dios y algunas de Hollywood. Es difícil ponerle un nombre a esa comunidad, a ese conjunto de videos, pero nuestros algoritmos nos dicen que hay un grupo significativo de miembros a los que les gusta ese tipo de películas. Entonces sabemos que si alguien de esa comunidad ve Ciudad de Dios, una buena recomendación para él será Amelie, y funcionará aunque en términos de género y estilo no tengan nada que ver. 

¿A qué se refiere cuando habla de comportamiento?

Hasta ahora, lo que hacemos para crear esas comunidades no se enfoca en diferenciar si alguien vio una película en determinado dispositivo, a cierta hora del día o en qué día de la semana. Usamos el historial de reproducción de videos del último año de todos nuestros miembros y tratamos de construir comunidades para describir los historiales de reproducción, con el mínimo número de comunidades que sean necesarios. Y logramos resultados interesantes. Por ejemplo, un género muy conocido son las películas y animaciones para la familia. Pero dentro de esa amplia categoría encontramos una comunidad que se enfoca en las películas donde el personaje principal es un perro que habla; otra en la que hay caballos y gatos, y otra que mira películas en las cuales hay variedad de animales, al estilo de Madagascar. Así, estadísticamente sabemos que esas comunidades describen el comportamiento de muchos miembros. En cambio, a lo mejor hay personas que disfrutan de películas donde los personajes son extraterrestres, y resulta que no hay una comunidad de ese tipo. Es obvio que existen películas con personajes extraterrestres y animaciones para la familia, pero el punto es que no hay una comunidad a la que le interese eso específicamente.

Es conocida la anécdota de que Reed Hastings invirtió US$ 100 millones en las dos temporadas de House of Cards sin siquiera hacer un piloto, solo basado en la confianza en sus algoritmos.

¿Cómo se aplican las matemáticas a la elección del contenido a producir?

En aquel momento teníamos en el servicio diferentes películas y series con atributos similares, con los mismos escritores, el mismo productor y Kevin Spacey como protagonista. Por lo tanto, no solo conocíamos el tamaño de las audiencias, sino también la intersección entre esas audiencias y la calidad del producto. Además, como expliqué, tratamos de encontrar patrones de comportamiento que identifican a las comunidades globales, de modo que ya sabemos cuántos videos de calidad podemos ofrecerle a cada comunidad. Ahora, ¿cómo elegimos qué contenido producir? Cuando nos llega un proyecto para desarrollar una serie nueva tenemos claro a qué comunidades les gustará. Los proyectos que más nos interesan son los que se dirigen a las comunidades para las cuales no disponemos de una gran oferta. Buscamos que nuestro catálogo tenga algo que ofrecerle a cualquier tipo de gusto. No estamos concentrados en ser los mejores en un contenido específico; nuestro objetivo es encontrar historias de calidad y diversas en todo el mundo, y encontrar para ellas su audiencia global. No nos importa si la audiencia es chica o grande, siempre y cuando la podamos encontrar.

¿Y cómo deciden qué contenido adquirir?

En el pasado solo licenciábamos películas y series de otros estudios que ya habían sido transmitidas. Teníamos datos de cuánta gente las había visto en las salas de cine, los ratings de las series, y había muchos otros datos que podíamos usar con el fin de predecir el tamaño de la audiencia para cada uno de esos videos. A partir de esa información decidíamos cuánto deberíamos pagar para licenciar esas series y películas. Pero desde que incursionamos en el negocio de producir nuestros propios shows y películas la situación se complica, porque hay cada vez menos y menos información. En ocasiones, por ejemplo, nos llega una propuesta más o menos detallada con un par de actores y un director, o tal vez un script de los dos primeros episodios, y a partir de esos datos tenemos que construir un modelo que nos ayude a predecir la audiencia y decidir si es un buen proyecto para nosotros. Otras veces recibimos propuestas de algún actor o director con quien tenemos una larga relación, pero que ni siquiera nos da algo por escrito, y decidimos apostar a su proyecto simplemente porque confiamos en él. En estos casos, los algoritmos solo se usan para saber si el tipo de video que se producirá será complementario del catálogo que tenemos. 

¿Quién es su guía, la persona que lo orienta o que más le aporta a su trabajo en Netflix?

Tengo la fortuna de que son varias porque trabajo rodeado de mucha gente. Cuando empecé, mi principal mentor fue mi jefe actual, Todd Yellin, otro vicepresidente de innovación de producto. Pero desde que me promovieron a vicepresidente esperan que maneje mi área y defina las prioridades de acuerdo con mi visión. Sin ir más lejos, cuando decidimos lanzar el servicio en 130 países, Reed no dijo: “Carlos, cómo vamos a lanzar el servicio en 130 países si tienes que hacer los algoritmos globales”. No, él se limitó a dar el contexto de lo que queríamos hacer como compañía, y el líder de cada área tuvo que definir cuáles eran los proyectos a llevar adelante para que Netflix lograra sus objetivos. ?

Un recorrido estelar

Según comentarios de sus colegas y profesores, Carlos Gómez Uribe tiene una habilidad innata para las matemáticas. Graduado múltiple del MIT —dos licenciaturas, una maestría y un doctorado—, trabajó en el área del algoritmo de búsqueda de Google hasta 2010, año en el que se sumó a la filas de Netflix, donde es el vicepresidente más joven de la empresa. Su responsabilidad es la innovación, y tiene a su cargo el desarrollo del sistema de recomendaciones de contenidos. ¿El objetivo? Que los usuarios vean más películas y programas y, lo más importante, no cancelen su suscripción.