Desde Spotify a Netflix, todas las compañías que ofrecen ocio y entretenimiento ya sea en forma de libros, música o series y películas se enfrentan a la necesidad de hacer llegar su oferta al público de la mejor forma posible. Un peculiar caso es el de Spotify, que debe ofrecer desde canciones sueltas de nuevos artistas esforzándose para que nos gusten a la primera.
Cuando vamos en el coche y vemos ir surgiendo nuevas canciones que propone la app de música, y nos quedamos sorprendidos por “cómo acierta con nuestros gustos”, es porque todo eso tiene mucho trabajo detrás. Están los famosos algoritmos de recomendación, algo que analizó en una presentación en la Web Conference 2019 Mounia Lalmas-Roelleke, responsable de investigación de tecnologías de personalización de Spotify. Es interesante entender cómo funciona porque casi todos se basan en los mismos conceptos.
El núcleo del sistema de recomendaciones de Spotify se llama BaRT (Bandits for Recommendations as Treatments), un peculiar nombre para los algoritmos o fórmulas matemáticas que organizan las pantallas de los usuarios en listas de canciones según diferentes criterios, desde “lo mejor de este artista” a “canciones marchosas” o “mix para hoy”. El resultado se muestra en forma de imágenes cuadradas, organizadas de diversas formas según los dispositivos: en el coche, en la pantalla del móvil o el smartwach o en el ordenador.
El sistema utiliza toda la información posible sobre lo que conoce de la persona: qué canciones y de qué artistas están en sus listas personalizadas, cuáles ha escuchado (y cuántas veces), cuáles ha preferido saltar (y en qué punto), si está físicamente en casa o en el coche (gracias a la geolocalización), etcétera. Hay que tener en cuenta que los usuarios de Spotify han generado ya unas 3.000 millones de listas personales y que las usan continuamente.
Matemáticamente se aplica una función a cada canción propuesta (la llamada “acción”) que da como resultado una “recompensa” si la canción gusta. La clave es que se escuche más de 30 segundos, esa es la métrica clave o que se marca como favorita, se añada a una lista, etcétera. Esto genera un conjunto datos para cada canción y cada lista; también se analizan los datos generales de los diferentes tipos de lista: no es lo mismo una lista “para relajarse y dormir”, que otra para “amantes del jazz”.
Pero si Spotify sólo hiciera esto no conseguiría sacarnos de una burbuja donde sólo escucharíamos una y otra vez la misma música. La clave es combinar estas mismas funciones con otros grupos de personas que tengan otras listas. Al final se obtienen grupos de personas que tal vez ni siquiera se conozcan pero que comparten gustos similares (listas similares de canciones). Las siguientes recomendaciones se pueden basar en eso y probablemente tendrán éxito, aunque algunos individuos no hayan escuchado nunca esas canciones originalmente.
Según Lalmas-Roelleke, cuando se utilizan estos sistemas, el “tiempo de consumo” (escucha) aumenta entre un 10% y un 20% y va mejorando con el tiempo. Las técnicas más avanzadas utilizan la tecnología del aprendizaje automático (machine learning) para crear mejores predicciones, con lo cual también aumentan otro 20% la satisfacción del usuario, haciendo que descubran nueva música, que la vean atractiva y la “guarden para luego” o incluso que investiguen artistas y álbumes en más profundidad. Teniendo en cuenta que Spotify almacena ya más de 40 millones de canciones, en más de 2.000 microgéneros para cerca de 80 mercados mundiales, organizar tanto entretenimiento y acertar no es tarea fácil.
