Período enero-junio 2023
Vol. 2 No. 1 riif@editorialscientificfuture.com
ISSN-L: 3028-869X DOI: https://doi.org/10.62465/riif.v2n1.2023.8
INGENIERÍA E INNOVACIÓN DEL FUTURO
22
Procesos y Algoritmos que Netflix utiliza para la
recolección de información
Processes and Algorithms Netflix uses for data collection.
Fecha de recepción: 2023-03-15 • Fecha de aceptación: 2023-05-03 • Fecha de publicación: 2023-05-26
Victoria Flores
1
1
Universidad Tecnológica Israel, Quito, Ecuador
ORCID N/A
Resumen
El ensayo propuesto en este documento se centra en la sofisticada estrategia que la plataforma
emplea para recopilar datos. Explora cómo Netflix adquiere información sobre el
comportamiento de visualización de los usuarios, sus interacciones, preferencias
demográficas y retroalimentación. Además, detalla la compleja red de algoritmos que
procesan estos datos para generar recomendaciones personalizadas, mejorar el catálogo de
contenido y optimizar la experiencia del usuario. El ensayo analiza el impacto de estos
procesos en la calidad del servicio, la ética en la manipulación de datos y la importancia de
la privacidad del usuario en un entorno digital. Siendo un punto de inicio para nuevas
investigaciones en el área.
Palabras clave
Netflix, comportamiento, algoritmos, datos
Abstract
The proposed essay in this paper focuses on the sophisticated strategy the platform employs
to collect data. It explores how Netflix acquires information about users' viewing behavior,
interactions, demographic preferences, and feedback. It also details the complex web of
algorithms that process this data to generate personalized recommendations, improve the
content catalog, and optimize the user experience. The essay analyzes the impact of these
Período enero-junio 2023
Vol. 2 No. 1 riif@editorialscientificfuture.com
ISSN-L: 3028-869X DOI: https://doi.org/10.62465/riif.v2n1.2023.8
INGENIERÍA E INNOVACIÓN DEL FUTURO
23
processes on the quality of service, the ethics of data manipulation and the importance of user
privacy in a digital environment. It is a starting point for further research in the area.
Keywords (
Netflix, behavior, algorithms, data
Introducción
Netflix ha transformado profundamente la industria del cine y la televisión en el mundo.
Desde su incursión como industria del entretenimiento en 1997 en EEUU, ha impactado las
lógicas de producción y consumo en el sector audiovisual [1].
Al alcanzar un alto estatus en el ámbito del entretenimiento en línea y atraer a una audiencia
global de millones de espectadores, gran parte de su éxito se debe a su amplia oferta de
contenido. Sin embargo, es fundamental destacar que uno de los elementos cruciales para
este crecimiento exponencial es la personalización. Esta plataforma tiene la capacidad de
monitorear lo que se está viendo, el dispositivo utilizado, cuándo se decide retroceder y cuál
será la próxima elección. Por esta razón, este ensayo se adentrará en los procesos y algoritmos
que hacen factible esta asombrosa capacidad de comprender y adaptarse de manera precisa a
las preferencias de cada uno de los usuarios.
En la década de los 80-90 se ponía de moda el alquiler de películas en formato VHS, DVD,
etc. Ya que a esa época al no existir o estar en pañales el internet comercial y por ende la
ciberpiratería era imposible obtenerlas “gratis”, en estos lugares por unos pocos dólares la
rentabas desde días hasta semanas ya que comprar una copia original era muy costosa, el
exponente más reconocido fue Blockbuster empresa muy popular en esa época que gracias
al auge de Netflix y su nuevo formato de películas en streaming y a su nula innovación y
adaptación al mercado quedaría en bancarrota desde inicios de los 2000 y cerrando su última
sucursal en 2013[2]
Netflix inició en 1997 con un modelo de negocio similar a Blockbuster, ofreciendo alquiler
de DVD en línea. Sin embargo, su transformación llegó en 2007 con el lanzamiento del
servicio de streaming, revolucionando la forma en que accedemos al contenido al permitir
suscripciones para disfrutar de una amplia gama de títulos sin necesidad de los DVDs físicos.
Período enero-junio 2023
Vol. 2 No. 1 riif@editorialscientificfuture.com
ISSN-L: 3028-869X DOI: https://doi.org/10.62465/riif.v2n1.2023.8
INGENIERÍA E INNOVACIÓN DEL FUTURO
24
Con el tiempo, no se conformaron con adquirir contenido existente, sino que incursionaron
en la producción de series originales como "Squid Craft Game" y "Stranger Things".
Además, implementaron un algoritmo de recomendaciones personalizadas basado en
preferencias de género y títulos, ofreciendo sugerencias adaptadas a cada usuario.
Cuerpo
El conocimiento del usuario y la generación de contenidos personalizados son elementos
transversales dentro de la estrategia de negocio y de marca de Netflix ([3]). El big data, en
consecuencia, es hoy considerado un eje estratégico en el negocio de la distribución y
consumo de contenido audiovisual bajo demanda [4]
Por lo que en base a ello a continuación profundizaremos con respecto a los procesos y
algoritmos que utiliza Netflix para poder obtener toda la información con la que crea tal
contenido personalizado.
2.1. Procesos
Recolección de Datos: todo el tema relacionado con la personalización empieza con la
recolección de una abundante cantidad de datos de los usuarios que tienen interacción con la
plataforma [5].
Según el portal oficial de Netflix se nos señala que para calcular la probabilidad de que te
interesaría ver un determinado título del catálogo que disponen, toman en cuenta varios
factores, entre ellos:
● Interacciones que el usuario tiene con el servicio (como el historial de visualización
y las calificaciones asignadas a otros títulos)
● Actividad de otros miembros con gustos y preferencias similares a los de usuarios
en específico.
● Información sobre los títulos, como género, categorías, actores, año de lanzamiento,
etc.
Período enero-junio 2023
Vol. 2 No. 1 riif@editorialscientificfuture.com
ISSN-L: 3028-869X DOI: https://doi.org/10.62465/riif.v2n1.2023.8
INGENIERÍA E INNOVACIÓN DEL FUTURO
25
● Además de saber qué viste en Netflix, también se usan los siguientes datos para
personalizar las recomendaciones:
● Hora del día en que se vio el contenido
● Dispositivos que el individuo utiliza para ver Netflix
● Durante cuánto tiempo la persona ve el contenido
Perfil de Usuario: La plataforma utiliza datos de navegación anteriores para construir un
perfil de preferencias por cada usuario. Esto incluye géneros, actores, directores y otros
factores que influyen en tu elección de contenido[6].
En esta etapa, es importante considerar que los perfiles pueden ser cotejados con los de otros
usuarios que compartan gustos similares, con el propósito de identificar el contenido que
podría resultar más atractivo para la persona.
Predicción de Preferencias: Netflix hace uso de algoritmos de aprendizaje automático los
cúales permiten identificar con mayor facilidad tendencias con respecto al tipo de contenido
con el que el usuario podría tener un mayor nivel de afinidad.
Recomendaciones Personalizadas: una vez recolectada toda la información necesaria, Netflix
es capaz de brindar al usuario recomendaciones de contenido en función de sus intereses.
Estas recomendaciones aparecen en la página de inicio y en la sección de "Siguientes pasos"
cuando terminas de ver una película o serie.
2.1. Algoritmos
En necesario tomar en cuenta que el sistema de recomendación de Netflix se encuentra
compuesto por una gran variedad de algoritmos que, en conjunto, sirven en tiempo real para
crear lo que se ha denominado la experiencia completa de Netflix [7]. Estos algoritmos, por
un lado, generan categorías de contenido personalizadas para el usuario y, por otro,
seleccionan estratégicamente las imágenes de presentación, con el fin de hacer atractivo el
contenido para sus audiencias
Dentro de estos algoritmos Gomez-Uribe & Hunt en [7], definen:
Personalized Video Ranking: el algoritmo PVR es el que opera en la homepage y muestra
el catálogo de títulos disponible según el país en el que se encuentre, así como también
categorías de shows según un género específico y personalizado.
Período enero-junio 2023
Vol. 2 No. 1 riif@editorialscientificfuture.com
ISSN-L: 3028-869X DOI: https://doi.org/10.62465/riif.v2n1.2023.8
INGENIERÍA E INNOVACIÓN DEL FUTURO
26
Top N-Video Ranker: indica que este algoritmo recopila los títulos más elegidos de cada
categoría, y los combina con las preferencias del usuario y sus tendencias de consumo de
contenidos históricos.
Trending now: con respecto a este algoritmo, señalan que es el encargado de mostrar
tendencias por temporadas como San Valentín, Navidad o intereses de acuerdo al contexto
socio cultural que se vive, como huracanes,etc.
Continue watching: que al identificar qué contenido reproduce el suscriptor y a la vez qué
contenido abandona o deja de reproducir, le sugiere de manera personalizada que retome la
siguiente temporada, capítulo o minuto de reproducción donde se quedó o pausó la última
vez
Video Video Similarity (Sims): el algoritmo Sims es usado para generar la fila de títulos
"Porque viste...", que muestra recomendaciones de títulos similares a un show ya visto. Este
algoritmo analiza cada uno de los shows del catálogo de Netflix para encontrar similitudes
con uno visto recientemente, los ordena por ranking de popularidad y despliega de esta
manera en la fila, estimando también las probabilidades de que el usuario quiera reproducir
cada título
Conclusiones
A partir de la información revisada con respecto a los procesos de recopilación y análisis de
datos, se puede concluir que estas prácticas tienen el potencial de generar beneficios
significativos. Un ejemplo destacado de este enfoque es el caso de Netflix, que ha demostrado
con éxito el valor de la minería de datos y la inteligencia artificial en la prestación de un
servicio de alta calidad a sus usuarios. Este enfoque ha resultado en niveles satisfactorios de
fidelidad en la industria del entretenimiento en línea.
Netflix ha revolucionado cómo consumimos contenido visual al proporcionar una
experiencia adaptada al usuario. Sus algoritmos de recomendación, ajuste de calidad de
transmisión y análisis de datos son cruciales para su éxito. La plataforma emplea machine
learning y procesamiento de lenguaje natural para entender constantemente las preferencias
y necesidades del usuario.
Período enero-junio 2023
Vol. 2 No. 1 riif@editorialscientificfuture.com
ISSN-L: 3028-869X DOI: https://doi.org/10.62465/riif.v2n1.2023.8
INGENIERÍA E INNOVACIÓN DEL FUTURO
27
Gracias a un enfoque centrado en el usuario respaldado por algoritmos innovadores, Netflix
puede rastrear lo que vemos, cuándo y desde qué dispositivo. Se espera que la
personalización y la experiencia del usuario mejoren continuamente a medida que la
plataforma avanza.
Período enero-junio 2023
Vol. 2 No. 1 riif@editorialscientificfuture.com
ISSN-L: 3028-869X DOI: https://doi.org/10.62465/riif.v2n1.2023.8
INGENIERÍA E INNOVACIÓN DEL FUTURO
28
Referencias
[1] V. HEREDIA RUIZ, “Revolución Netflix: desafíos para la industria audiovisual,”
Chasqui. Revista Latinoamericana de Comunicación, 2016, Accessed: Oct. 05, 2023.
[Online]. Available: https://www.redalyc.org/articulo.oa?id=16057381018
[2] S. Chopra and M. Veeraiyan, “Movie Rental Business: Blockbuster, Netflix, and
Redbox,” Kellogg School of Management Cases, pp. 1–21, Jan. 2017, doi:
10.1108/CASE.KELLOGG.2016.000220.
[3] E.-P. Fernández-Manzano, E. Neira, J. Clares-Gavilán, U. Rey, and J. Carlos,
“Gestión de datos en el negocio audiovisual: Netflix como estudio de caso,”
Profesional de la información, vol. 25, no. 4, pp. 568–577, Jul. 2016, doi:
10.3145/epi.2016.jul.06.
[4] V. Heredia-Ruiz, A. C. Quirós-Ramírez, B. E. Quiceno-Castañeda, V. Heredia-Ruiz,
A. C. Quirós-Ramírez, and B. E. Quiceno-Castañeda, “Netflix: catálogo de contenido
y flujo televisivo en tiempos de big data,” Revista de Comunicación, vol. 20, no. 1,
pp. 117–136, Mar. 2021, doi: 10.26441/RC20.1-2021-A7.
[5] R. Walker et al., “Netflix Leading with Data: The Emergence of Data-Driven Video,”
Kellogg School of Management Cases, pp. 1–19, Jan. 2017, doi:
10.1108/CASE.KELLOGG.2016.000232.
[6] S. C. Madanapalli, H. H. Gharakhieli, and V. Sivaraman, “Inferring netflix user
experience from broadband network measurement,” TMA 2019 - Proceedings of the
3rd Network Traffic Measurement and Analysis Conference, pp. 41–48, Jun. 2019,
doi: 10.23919/TMA.2019.8784609.
[7] C. A. Gomez-Uribe and N. Hunt, “The Netflix Recommender System,” ACM
Transactions on Management Information Systems (TMIS), vol. 6, no. 4, Dec. 2015,
doi: 10.1145/2843948.
Período enero-junio 2023
Vol. 2 No. 1 riif@editorialscientificfuture.com
ISSN-L: 3028-869X DOI: https://doi.org/10.62465/riif.v2n1.2023.8
INGENIERÍA E INNOVACIÓN DEL FUTURO
29
Copyright (2023) © Victoria Flores
Este texto está protegido bajo una licencia internacional Creative Commons 4.0.
Usted es libre para Compartir—copiar y redistribuir el material en cualquier medio o
formato — y Adaptar el documento — remezclar, transformar y crear a partir del
material—para cualquier propósito, incluso para fines comerciales, siempre que cumpla las
condiciones de Atribución. Usted debe dar crédito a la obra original de manera adecuada,
proporcionar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en
cualquier forma razonable, pero no de forma tal que sugiera que tiene el apoyo del
licenciante o lo recibe por el uso que hace de la obra.
Resumen de licencia – Texto completo de la licencia
