Uno de los éxitos sorprendentes de 2025 fue la película animada. Cazadores de demonios del K-Pop. Aunque inicialmente recibió un pequeño estreno en junio, el revuelo en torno a la película creció tanto mientras se transmitía en Netflix que se abrió para un estreno más amplio en la taquilla de EE. UU. en agosto. Más tarde, Netflix la nombró la película más popular que jamás haya aparecido en su plataforma, la banda sonora obtuvo platino y los personajes se convirtieron en los disfraces de Halloween más populares del año.
El éxito de la película fue otra victoria de la estrategia de Netflix de utilizar su sistema de recomendación para ofrecer una amplia gama de contenidos a los espectadores que pudieran estar interesados. En el mejor de los casos, como películas y programas. Cazadores de demonios del K-Pop, juego de calamares, o Cosas más extrañas se convierten en entretenimiento imprescindible, generando una ola de nuevas suscripciones.
Pero es difícil decir qué hizo que estas películas y programas en particular hicieran clic en el público. ¿Fue el atractivo del contenido en sí? ¿O fue el impulso proporcionado por el algoritmo de personalización de Netflix?
Es una pregunta complicada, dice Guy Aridor, profesor asistente de marketing de Kellogg, que trabaja con los creadores de Netflix Kevin Zielnicki, Aurelien Bibaut, Allen Tran, Winston Chou y Nathan Kallus. En un documento de trabajo, presentan un modelo que separa el impacto del servicio de recomendación de la plataforma del valor subyacente del contenido en sí.
Además de ayudar a Netflix a determinar cuántos programas y películas diferentes atraen a más espectadores, el modelo proporciona información basada en datos sobre los tipos de contenido que más admiten los sistemas de recomendación.
«Lo que estamos descubriendo es que los títulos de nivel medio que son relativamente populares, que tienen nichos muy fuertes, son los que realmente se benefician de las recomendaciones», afirma Aridor.
Netflix se jacta habitualmente de tener el catálogo de streaming más grande de la industria. Pero ese volumen es menos valioso si los suscriptores no pueden encontrar lo que quieren ver.
«No se pueden producir, adquirir y conservar muchos títulos a menos que se apunten a ellos de forma eficaz», afirma Aridor. «Muchos títulos, si no se recomiendan a las personas adecuadas, probablemente no conseguirán una gran audiencia».
Por eso Netflix invierte en su sistema de recomendaciones. En 2006, se ofreció un premio de 1 millón de dólares al primer equipo que pudiera mejorar sus recomendaciones en un 10 por ciento. Un equipo de informáticos ganó en 2009 adaptando un enfoque matemático llamado factorización matricial.
Netflix no se detuvo ahí. Utilizando datos de más de 300 millones de suscriptores, la empresa ha mejorado continuamente su sistema para que cada usuario vea un menú personalizado de contenido cada vez que abre la aplicación.
Pero este éxito complica otras partes del negocio de Netflix. Es difícil medir cuánta audiencia tiene esa orientación en relación con la calidad del contenido. ¿La gente ve un programa porque Netflix lo sugirió o lo buscarían independientemente del algoritmo?
El modelo basado en suscripción enturbia aún más las cosas. Competidores como Amazon y Apple pueden medir el valor de una película en particular a diferentes precios según el alquiler o las ventas. Pero los clientes de Netflix pagan una tarifa fija para acceder a todo el catálogo, por lo que la empresa no puede juzgar fácilmente el valor de reposición de cada título.
Aridor y sus coautores abordaron este problema construyendo un nuevo modelo de evaluación de contenido. El modelo les permite simular escenarios hipotéticos que permitan a Netflix hacer preguntas que le interesen.
Por ejemplo, si el sistema de recomendación actual fuera reemplazado por una selección aleatoria de contenido o simplemente los programas y películas más populares, ¿cómo cambiaría la participación del usuario? Si hay una audiencia a la que probablemente le gustaría. Emily en París No pudieron encontrarlo, ¿qué elegirían ver en su lugar? ¿Apagarían la aplicación y harían otra cosa?
Los investigadores pudieron construir este modelo gracias a las cantidades aleatorias en el algoritmo de Netflix. Para comprender mejor las preferencias de los usuarios, la empresa realiza periódicamente experimentos sutiles que aleatorizan diferentes elementos en la página de inicio de Netflix. Los investigadores utilizaron lo que los espectadores eligieron en estas diferentes condiciones para entrenar y validar su modelo.
«Este es un problema generalizado en la llamada economía de la atención», afirma Aridor. «La variación de precios es limitada o nula, por lo que al provocar una variación en el conjunto de títulos mostrados, nos enseña algo sobre cómo se comercia entre productos».
Una vez creado, los investigadores pueden usar el modelo para medir el aumento de la audiencia: en qué medida cada programa o película individual impulsa la participación en Netflix. También pueden evaluar el valor del propio sistema de recomendación, en comparación con otros algoritmos.
No es sorprendente que el recomendador actual de Netflix superara a alternativas como sugerencias aleatorias, que muestran solo el contenido más popular y un sistema de factorización matricial similar al del ganador del Premio Netflix de 2009.
Pero el sistema actual también funcionó mejor en otra medida que Netflix valora: aumentar la diversidad de contenido, o la variedad de programas y películas que ven los usuarios.
«Las investigaciones en otras plataformas de streaming muestran que un consumo variado se asocia con buenos resultados a largo plazo desde la perspectiva de la satisfacción del consumidor», afirma Aridor. «Por eso es importante que los sistemas de recomendación no alienten simplemente a las personas a ver el mismo tipo de títulos».
El modelo también reveló éxitos comprobados. Emily en París y Cosas más extrañas no necesitan mucha promoción adicional y los programas y películas oscuros no conectan fuera de audiencias muy específicas. En cambio, son los programas y películas intermedios los que reciben el impulso en el sistema de recomendación.
«Este es el pan y la mantequilla del sistema de recomendación y del modelo de negocios de Netflix, que es que realmente puedes tener ese catálogo profundo si soy capaz de hacer coincidir efectivamente a esos espectadores con esos títulos», dice Aridor.
Más allá de su utilidad para Netflix, los hallazgos contribuyen al debate más amplio sobre los medios y los sistemas de recomendación: ¿hacen que las audiencias acudan en masa a un segmento más pequeño de entretenimiento o descubren arte que de otro modo pasaría desapercibido?
«Quizás los sistemas de recomendación más antiguos, como los de hace 10 años, que se implementaban en este tipo de plataformas, tenían este problema de agrupación», afirma Aridor. «Pero en términos de diversidad, el sistema actual funciona mucho mejor».
Y si bien el nuevo modelo de los investigadores puede ayudar a decidir qué contenido agregar a Netflix, es poco probable que capture los factores orgánicos fuera de la plataforma, los factores que elevan a un actor fuerte a la siguiente frecuencia cultural.
«Cuando se recomienda un título de tamaño mediano al grupo adecuado de personas, a veces esa audiencia es lo suficientemente grande como para hablar sobre él en línea y tener conversaciones entre ellos, y luego aumenta como una bola de nieve», dice Aridor. «Pero es muy raro y muy difícil de predecir».
