Los medios, a la cola en personalización

Cada vez pasamos más tiempo al día pegados a una pantalla, sea del tipo y tamaño que sea. La infinita variedad de fuentes de información, los interminables “streams” o ríos de noticias de las redes sociales, todo ello contribuye a que cada día gastemos más tiempo en el consumo de vídeo o de noticias. Al consumir más variedad nos volvemos también más impacientes, queremos sacar el máximo provecho a nuestro tiempo de navegación, encontrar con rapidez contenido que nos sea verdaderamente relevante.

Es en el terreno de la generación de relevancia donde entra la personalización, la capacidad de adaptar los contenidos a los gustos y preferencias de los usuarios, algo de lo que se lleva hablando muchos años y que sin embargo no termina de materializarse. Si hacemos caso a la famosa curva anual de ciclo de sobreexpectación de Gartner (la de 2015 debería publicarse pronto), en ella no se habla en concreto de las tecnologías de personalización, si bien podemos seguramente situarlas en un punto próximo al del Big Data, ya en ese tramo descendente que ellos llaman “abismo de desilusión”.

Los esfuerzos de personalización, salvando casos representativos como los de Pandora, Netflix o NPR One, no llegan a satisfacer las expectativas previstas.  A pesar de que es un tema de conversación recurrente (en este blog hace solo dos entradas, cuando se la planteaba como un sueño todavía no cumplido), no vemos todavía verdaderas aplicaciones que nos permitan hablar de una experiencia 100% personalizada, ni tan siquiera cercana a ella.

Media diaria de consumo por medio en EE UU (mayores de 18)

Media de tiempo de consumo diario +18. Fuente: Nielsen, 2015

Cada vez dedicamos más horas de nuestro día a consumir contenido. Fuente: Nielsen, 2015

La generalidad sigue mandando

En el caso de las versiones digitales de los medios impresos, estos siguen apostando mayoritariamente por ofrecer la misma portada a todos sus usuarios (y la misma tira o “scroll” de noticias en las versiones móviles), esa selección/curación editorial que hacen todos los días, que apela a los intereses de la generalidad y que tanto asombraba a alguien como Seinfeld, sorprendido de que todas las noticias del mundo cupieran todas las mañanas en las páginas de un diario.

La mayor parte de las veces solo ofrecen mínimos cambios derivados del posicionamiento (te muestro por ejemplo la versión de América si detecto que estás en ese continente), o despliegan los tradicionales módulos de “Lo más visto” o incluyen en el pie de las noticias módulos automáticos de contenido recomendado suministrados por servicios de distribución como Outbrain o Taboola.

Si nos asomamos a The New York Times, medio caracterizado por los grandes esfuerzos que hace en innovación, vemos que su portada incluye en el módulo de los más vistos un caja de enlaces personalizados, que en mi caso particular sí se ajusta bastante a mis intereses, pero que sabe a bien poco: de las alrededor de 700 historias que publica el New York Times cada día, me recomiendan una lista de 10, un número muy pequeño sobre todo si uno no visita ese medio todos los días. Cada vez que entro en su web, debo por tanto “escanear”  el resto de las numerosas historias que ofrece en portada en un intento de encontrar algo que para mí sea relevante.

Caja de artículos recomendado del New York Times

La lista de artículos que me recomienda The New York Times, a partir del seguimiento que hacen de mi navegación como usuario

Los medios nativos parecen ir algunos metros por delante, como sucede por ejemplo por los emails personalizados de Medium o las notificaciones de la aplicación de noticias de Buzzfeed, donde se puede optar por ser notificado solo de ciertas temáticas o incluso de algunas historias concretas (por ejemplo, el escándalo de la FIFA).

Donde la recomendación o descubrimiento de contenidos parece abrirse paso con mayor fuerza es en los medios audiovisuales. Motores y plataformas de recomendación como los de Spideo, Content Wise, ThinkAnalytics, DigitalSmiths o Xroadmedia (por mencionar solo algunas de las compañías más conocidas que trabajan en lo que se conoce como “Descubrimiento de Contenido”) son los que alimentan las plataformas de vídeo de ONO, Yomvi, el iPlayer de la BBC o la cadena francoalemana Arte.

Youtube dispone también de su propio sistema de recomendación y, con el fin de generar sugerencias más afinadas y relevantes, aspira a poder alimentarlo también con la actividad que el usuario desempeñe fuera de su propia plataforma (al menos de lo que el usuario haga en el resto de servicios de Google).

Esas recomendaciones de vídeo se generan a partir de diversos criterios (filtrado colaborativo, filtrado basado en el contenido, perfilado del usuario, localización, etc.) y según determinadas reglas de negocio. El objetivo, servir de elemento de fidelización (las recomendaciones necesitan de un consumo recurrente de contenido: no son para captar nuevos clientes sino más bien para mejorar la experiencia de los que ya lo son). Su implantación debe resultar en la mejora de un conjunto de métricas como las tasas de rebote, el tiempo de estancia, la conversión, etc. Un buen recomendador debería ofrecer el contenido más idóneo a aquel usuario más susceptible de consumirlo (y no solo de hacer clic sobre el vídeo, como bien saben los responsables de Netflix).

Impacto de la recomendación sobre distintas métricas

Impacto de la recomendación sobre distintas métricas

En el móvil lo que importa es el contexto

Pero, si hablamos de personalización, son las compañías tecnológicas las que marchan con varios cuerpos de ventaja. La mayor potencia y sensibilidad de los móviles de última generación, la paulatina proliferación de sensores inteligentes en nuestro entorno y la aparición de una nueva categoría de dispositivos, los “wearables”, hacen en principio posible utilizar el contexto como fuente de experiencias personalizadas. Empresas como Google, Apple, Spotify o Facebook dedican ingentes esfuerzos a desentrañar lo que está haciendo el usuario en cada momento y dónde lo está haciendo.

Es el caso de Google Now, el asistente virtual de Google, que hasta bien poco extraía solo un número limitado de tarjetas (“cards”) personalizadas a partir del uso que se hacía de sus propios servicios como el buscador y que en consecuencia no ha terminado en  convertirse, pese a su novedad, en algo de uso verdaderamente indispensable. Pero Google no está dispuesta a tirar la toalla. En la actualidad Google Now se integra ya con un centenar de proveedores elegidos y tiene previsto abrir su API próximamente a terceros.

Pantallazo de los resultados de mi Google Now

Un pantallazo de algunos de los contenidos que me recomienda Google Now. Entre ellos, visitar este site, en el que he navegado recientemente, o consultar las FAQs de un consola Android (llevo tiempo pensando en adquirir una).

En su próxima versión del sistema operativo Android, Google incluirá un nuevo servicio (Now on Tap), que permitirá hacer búsquedas y sugerencias a partir de la actividad que se haga dentro de aplicaciones nativas de terceros.

El contexto empieza a asomar también en algunos de los otros servicios de Google, como Google Maps, donde al buscar un destino en el mapa, por ejemplo una tienda, el servicio te informa, a partir de tu localización, de si tendrás tiempo de llegar antes de la hora de cierre.

Un Google Now “multivitaminado”, alimentado por centenares de productores de contenido y servicios, podría convertirse en un nuevo “río de contenido” que derivase usuarios a los medios y sacase partido de esa “glanceable information” o información para ser consumida de una manera rápida y superficial. Quedaría por ver si esa información que se estuviera suministrando a Google Now podría rentabilizarse de algún modo, o si ese paradigma de navegación se traduciría en conversiones de usuarios hacia los medios (es decir, sobre él deberían recaer a priori las mismas dudas que pueden despertar los Instant Articles de Facebook).

En esa misma línea de convertirse en una capa que se despliega por encima del resto de apps se encuentran los “launchers” (aplicaciones que permiten personalizar las pantallas de inicio de los dispositivos Android) de terceros como Aviate o Bento, que también ofrecen personalización a partir de los hábitos del usuario.

Apple no quiere quedarse atrás, y en su última conferencia de desarrolladores anunció Proactive, una mejora de su asistente Siri y de su herramienta de búsqueda Spotlight, que incluirá inteligencia predictiva y permitirá igualmente asomar datos de aplicaciones de terceros sin necesidad de iniciarlas desde la pantalla de inicio. Además, con su nueva versión de iOS lanzará su nueva aplicación de noticias, un agregador que beberá de diversas fuentes, que incluirá recomendaciones de un equipo específico de curadores y que presumiblemente también se irá amoldando a los gustos del usuario de la misma manera que ahora lo hacen otros agregadores inteligentes como Zite o Prismatic.

Por su parte, Spotify hace un uso cada vez más intensivo del big data y la inteligencia artificial en su reiterado intento de ayudarnos a descubrir y consumir música. Hace solo unas semanas lanzó “Discover Weekly”, un servicio que ofrece una playlist semanal a medida de dos horas de duración basada tanto en los gustos individuales del usuario como de otros con similares gustos. Y desde hace unos días también ofrece playlists para acompañarte mientras corres cuyo tempo se adapta a la particular cadencia de cada corredor.

Son intentos de personalización a los que todavía les falta recorrido para ser precisos, como bien señala Javier Recuenco al criticar la escasa afinidad de las inserciones publicitarias de Spotify con los gustos particulares de los usuarios. En mi caso concreto, la cuenta “premium” de Spotify tiene un uso colectivo, el de la familia al completo, por lo que lo por ejemplo la playlist personalizada semanal no deja de ser un agregado de ese consumo familiar que no termina de satisfacer enteramente a ninguno de sus componentes.

La playlist semanal personalizada que me ofrece Spotify

Cada semana, Spotify me sirve una playlist personalizada a partir de lo que he podido escuchar y de lo que esuchan otros con gustos similares

En el caso de Facebook, podríamos decir que la personalización es algo que llevan en su ADN desde el principio: su feed de noticias ha sido siempre un flujo automatizado y construido a medida para cada usuario. El problema es que nunca ha quedado claro cuáles son los criterios que determinan lo que aparece o no en ese río de noticias. El usuario ha carecido por tanto históricamente de autonomía para configurar esa personalización. Después de mucho mirar para otro lado, Facebook ha cedido ligeramente a las críticas y desde hace poco ofrece a los usuarios la posibilidad de configurar mínimamente ese flujo.

¿Cuál es el límite de la personalización?

Todos estos esfuerzos de personalización o contextualización necesitan para materializarse de la captación de datos de los usuarios. ¿Cuánto de nuestra vida privada estamos dispuestos a compartir? Para que los usuarios se ganen nuestra confianza, los medios deberemos ser transparentes sobre el uso que hacemos de los datos, y apoderar a los usuarios con herramientas de control de los datos que se están cediendo (en la construcción de un motor de recomendación que estamos desarrollando las televisiones públicas el seno de la UER, una de las discusiones se centra por ejemplo en la posibilidad de ofrecer una función de “reinicio”; dar al usuario la posibilidad de reconfigurar su perfil desde cero siempre que él lo desee).

También debemos ser capaces de construir servicios o funcionalidades que justifiquen la captación de esos datos. Si el usuario o cliente percibe claramente el valor derivado de la transacción, será mucho más fácil que ceda algo de su espacio de privacidad.

A modo de ejemplo, la aplicación móvil de Starbucks permite ya a los clientes encargar el café antes de llegar al establecimiento siempre que el cliente se encuentre dentro de un radio de proximidad determinado. Con ello los clientes habituales se ahorran los tiempos de espera y cuando llegan ya tienen su pedido listo para llevar. Un paso siguiente sería que directamente la aplicación detectara automáticamente la proximidad al establecimiento y que, por ejemplo al salir de la estación del metro, ofreciera simplemente al cliente la posibilidad de encargar “lo mismo de siempre”.

Los medios no servimos todavía café, pero sí contenido, y empresas como Cristaliza con su plataforma de GeoQ permiten ya perfilar por geolocalización y lanzar contenidos a partir del comportamiento del usuario. Del aprovechamiento de los datos generados por los sensores pueden surgir interesantes casos de uso en la narrativa y el entretenimiento, siempre que se trascienda la tentación de convertirlos simplemente en una manera de servir publicidad personalizada.

El factor humano

Por otro lado, la personalización puramente algorítmica tiene sus riesgos, expuesta ya en conocidos libros como “The filter bubble” o en el reciente lamento de un conocido blogger iraní ante la tiranía del “stream” como forma hegemónica de organización de la información en internet. Se tiene el riesgo de que desaparezca la serendipia y de que el algoritmo restrinja en exceso nuestra esfera de intereses a partir de predicciones no siempre precisas. Un buen sistema de recomendación, como decía en 2013 Mark Johson, el cerebro detrás de Zite, debería ser capaz de ofrecer una “serendipia guiada”.

De ahí que, como bien señalan también algunos, estemos asistiendo a un retorno de la curación o selección editorial hecha por personas. Además del mencionado caso de la aplicación de noticias de Apple, su servicio de música, Apple Music, también incluye un componente de curación manual. Y lo mismo la nueva página de búsqueda de Instagram, o las Live Stories de Snapchat. Como asegura Ben Thompson de Stratechery en una de sus siempre acertadas reflexiones, el usuario se verá siempre más favorecido por un sistema que sepa equilibrar algoritmos y curación.

En esto último, la curación, a los medios se nos presume muchas décadas de experiencia. Pero nos falta trabajar mucho la otra variable, la algorítmica, y resolver el reto que supone la captura de datos de usuario verdaderamente relevantes, si queremos ser también un referente en el campo de la personalización.

Photo Credit: Dunechaser via Compfight cc
@nachogom