Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Nota: This article can be read in its original English version on:
http://www.elprofesionaldelainformacion.com/contenidos/2016/jul/06.pdf
Resumen
El negocio de la distribucin de contenidos audiovisuales bajo demanda ha encontrado en los big data un aliado estratgico
para la obtencin de informacin y la toma de decisiones en torno al core content de su negocio: el contenido y sus sus-
criptores. A travs de este artculo analizamos qu son los big data y cul es su flujo de gestin de datos en una empresa
audiovisual orientada a la distribucin de contenido audiovisual bajo demanda. Para ello, seleccionamos como caso de
estudio la compaa Netflix. A partir de aqu veremos por qu los big data son considerados eje estratgico del negocio y
cules son los retos que se deben afrontar para la expansin internacional.
Palabras clave
Audiencias; Anlisis de datos; Big data; Inteligencia de negocio; Distribucin audiovisual bajo demanda; Minera de datos;
Modelos de negocio; Netflix; Vdeo bajo demanda (VOD).
Abstract
Big data has become an enormous asset for on-demand content distribution services, helping information supply and de-
cision-making, regarding both the content of the database and suscribers to the database. In this article we describe and
define big data and data management in a media company devoted to on-demand audiovisual content distribution: Netflix.
This article suggests that big data is a prime strategy in media business and outlines the upcoming challenges that follow its
global expansion.
Keywords
Audience; Big data; Business intelligence; Business models; Data analysis; Data mining; Netflix; On demand audiovisual
content distribution; Video on demand (VOD).
Fernndez-Manzano, Eva-Patricia; Neira, Elena; Clares-Gaviln, Judith (2016). Data management in audiovisual busi-
ness: Netflix as a case study. El profesional de la informacin, v. 25, n. 4, pp. 568-576.
http://dx.doi.org/10.3145/epi.2016.jul.06
Imagen 1. Flujo de proceso de gestin de los big data en la empresab (Fernndez-Manzano, 2016).
dos a travs de una inteligente combinacin de algoritmos Para ello nos centramos en Netflix como estudio de caso. Se
de recomendacin, la produccin de contenidos propios o identifican sus objetivos de negocio, se analizan criterios de
las nuevas adquisiciones de catlogo en sintona con las de- seleccin de fuentes, extraccin de datos, transformacin
mandas de sus clientes. y carga, as como la monitorizacin y aplicacin de sus al-
goritmos relacionados con la aplicacin de la capa de toma
Como veremos a continuacin, los big data son clave en la
de decisiones de negocio, tambin conocida como Business
toma de decisiones concernientes tanto a la calidad tcnica
intelligence. Finalmente, procedemos a establecer las con-
del servicio como al catlogo. Orientan sobre qu contenido
clusiones del artculo atendiendo a los objetivos planteados.
ofrecer, cmo presentarlo y en qu cantidad. Ayudan, tam-
bin, a tomar las mejores decisiones sobre las producciones Hacemos uso de la metodologa del estudio de caso (Yin,
propias (Netflix Originals). 2009), trabajando con fuentes primarias y secundarias relati-
vas a la gestin de datos de la compaa: revisin bibliogrfica,
anlisis de los datos publicados por la propia empresa (Netflix
El negocio de la distribucin de conteni-
tech blog y el rea corporativa de Netflix.com), la informacin
dos online es consciente de que obtener difundida por sus trabajadores en foros de debate y el anlisis
informacin de sus propios usuarios se de datos facilitados por parte de la prensa especializada.
convierte en una ventaja competitiva sin
precedentes 3. Gestin de datos en el negocio audiovisual
Las nuevas tecnologas permiten a las empresas almacenar y
Esta generacin de contenidos personalizada ha llevado a generar grandes volmenes de informacin, incluso demandar
impulsar una estrategia de distribucin diferente, adaptada acciones tecnolgicas muy definidas a nivel de negocio. Tanto
a las recientes demandas de un nuevo tipo de espectador los usuarios como las empresas generan datos en su interac-
que reivindica libertad total a la hora de ver un contenido tuacin con las nuevas tecnologas. Dicha produccin de datos
audiovisual, cmo, cundo y dnde quiera (Neira, 2015). Su es tan prolfica que se ha denominado big data (grandes da-
apuesta por el estreno simultneo de series completas en su tos). ste es el trmino empleado para referirse a toda aquella
plataforma ha llevado al usuario al conocido como atracn cantidad ingente de datos que, debido a sus caractersticas,
serifilo o binge watching (Jenner, 2014). Pioneros en este no puede ser siempre procesada por los sistemas informticos
mbito, se han convertido en referencia del cambio de mo- tradicionales. Esto puede deberse a una cuestin de volumen,
delo en el negocio de la televisin de pago. lo que har que se necesite trabajar con grandes almacenes
de datos (data centers) fsicos o en la nube. Tambin podemos
2. Objetivos y metodologa valorar caractersticas como la escala temporal o velocidad, lo
que va a permitir establecer predicciones.
Este artculo se plantea como objetivos comprender qu son
los big data y conocer cul es su flujo de gestin de datos Partiendo del marco terico expuesto por Fernndez-Manza-
en una empresa audiovisual. As mismo, aporta nuevos argu- no (2016), relativo al flujo de gestin de los big data en la em-
mentos al debate acadmico que permiten entender por qu presa, procedemos a incorporarlo en este artculo como gua
esta gestin de datos masiva es considerada un eje estratgi- que nos permita ubicar y analizar tcnicamente las diferentes
co en el negocio de la distribucin audiovisual bajo demanda. acciones que vamos a explicar en los prximos apartados.
La procedencia de los datos que se incluyen dentro de la ter- 4.1. Big data en los objetivos de negocio
minologa big data puede correlacionarse con fuentes tan dis-
pares como la web y medios sociales, datos biomtricos, tran- Netflix, autodenominada la televisin por internet lder
sacciones bancarias o machine to machine (M2M), entre otros en el mundo, basa su modelo de negocio en la suscripcin
muchos. Como sugiere Serrano-Cobos (2014), hace aos las y no en la inversin publicitaria propia de la televisin en
empresas slo tenan acceso a sus propios datos (propios o ex- abierto gratuita, pblica o privada (Clares-Gaviln; Ripoll-
ternos hechos por consultoras), pero en la actualidad, gracias Vaquer; Tognazzi-Drake, 2013). Utiliza los datos obtenidos
a internet, estas empresas pueden contrastar su informacin de sus usuarios no para negociar con los anunciantes o las
con datos de mercado, opiniones de usuarios o incluso publi- agencias de medios, sino para captar y retener suscripto-
caciones cientficas. El manejo de esta informacin genera una res, minimizar las bajas, conseguir fidelidad con el servicio
oportunidad crucial para plantearse correctas preguntas de ne- a largo plazo, y lograr buenos ndices de satisfaccin con su
gocio, as como tomar las mejores decisiones. producto (Gmez-Uribe; Hunt, 2015).
La combinacin de estos elementos ayuda a garantizar el en cuenta las valoraciones otorgadas a otros contenidos);
cumplimiento del primer objetivo de negocio citado: captar y - tipo de dispositivo desde el que se accede (televisin co-
evitar la baja de suscriptores. De todos ellos, el sistema de re- nectada, tableta, mvil o descodificador).
comendacin se sita en el ncleo de la retencin de usuarios
Tambin guarda registro de los caminos que sigue el usuario,
y de la fidelizacin con el servicio a largo plazo. Las bajas en el
bsquedas, ubicacin geogrfica, da y hora, ubicacin del
servicio, como apuntan Gmez-Uribe y Hunt (2015) son ms
contenido dentro de la pgina de inicio cuando se decidi re-
frecuentes en el mes gratuito de prueba ya que:
producir y hasta los contenidos recomendados descartados.
el servicio de recomendacin realiza un trabajo satis-
Netflix ha optado por centrar su modelo de negocio orienta-
factorio ayudando a elegir a los clientes con un largo his-
do a la demanda en la calidad tcnica del visionado, as como
torial de uso, pero no es tan bueno en el caso de nuevos
en la capacidad de movilidad y accesibilidad de los conteni-
suscriptores, de los que se sabe muy poco.
dos (Izquierdo-Castillo, 2015). Por este motivo, evala la si-
El anlisis de datos que les permite conocer a sus clientes, por tuacin tecnolgica de cada reproduccin (Govind, 2014):
tanto, es una de las claves estratgicas que garantizan el xito - cmo la tasa de almacenamiento de contenido (rebuffer)
de este servicio de VOD. Al no depender de la publicidad, el y la velocidad de su transmisin (bit rate) afectan el com-
beneficio de Netflix es proporcional al nmero de suscripto- portamiento del usuario (las horas que dedica al servicio);
res que pagan una cuota. Como indica McCabe (2013), para
que el pago de cada licencia de contenido sea rentable, de- - cmo se pueden crear experiencias personalizadas (segn la
ben asegurarse unos ndices ptimos de visionado. tecnologa que emplean o la calidad de su ancho de banda);
- cmo mejorar la entrega de contenidos (qu contenidos
Los big data resultan clave en la toma de deberan ubicar en la cola de los servidores para que se
reproduzcan ms rpido, mejoras tcnicas de audio, sub-
decisiones concernientes tanto a la cali-
ttulos, etc.).
dad tcnica del servicio como al catlo-
go. Orientan sobre qu contenido ofre- Estos datos se cruzan con los metadatos (informacin de
los propios datos) que Netflix asigna a todos los contenidos
cer, cmo presentarlo y en qu cantidad. que incorpora a la plataforma (Madrigal, 2014): informa-
Incluso ayudan a tomar mejores decisio- cin tcnica y artstica, atributos de gnero o marcadores
nes (business intelligence) en torno a las semnticos (etiquetas relacionadas con la narracin de ese
producciones propias que deciden po- programa o pelcula), entre otros. A partir de aqu se podr
ner en marcha (Netflix Originals) constatar hasta qu punto el conocimiento de las preferen-
cias de sus suscriptores est vinculado a una tasa elevada de
utilizacin del servicio.
Por ello, el conocimiento de sus usuarios es la piedra angu-
lar de su modus operandi: permite la consecucin del obje- Los datos que el usuario proporciona de manera activa
tivo ya descrito, gracias a la mejora de las experiencias de (cuando valora el contenido, rellena formularios en la fase
usuario y a la constante bsqueda de la eficiencia en el tipo de inscripcin, inicia sesin como un usuario especfico de
de contenido que ofrecen. los varios que existen en el hogar o decide registrarse con
sus perfiles sociales) son testimoniales si se comparan con la
4.2. Eleccin de fuentes de datos informacin generada (no suministrada) a partir del uso, de
En la seleccin de fuentes de datos se encuentran implcitos manera involuntaria (qu se reproduce y qu se descarta,
los objetivos de negocio. En el caso de Netflix vendra defi- a qu hora se consume, desde qu aparato conectado, con
nida por la informacin que proviene de su propio usuario. qu frecuencia, etc.). Este modo de monitorizacin, realiza-
Hablamos de un servicio que demanda un dispositivo co- do dentro del entorno del usuario mediante un dispositivo
nectado a la Red permitiendo muchsimas posibilidades de conectado, y no percibido en el consumo, genera valiosas
obtencin de datos, interactuacin y convergencia. respuestas no condicionadas que permiten extraer cono-
cimientos sobre la motivacin de los usuarios para ver un
Un usuario medio destina 60-90 segundos a decidir qu ver. contenido u otro (Brogan, 2015). Este tipo de investigacio-
Transcurrido ese perodo las posibilidades de que termine nes, de corte etnogrfico, se ha convertido en el motor de la
consumiendo un contenido se reducen ostensiblemente reconfiguracin de la estructura audiovisual en lo que a pro-
(Gmez-Uribe; Hunt, 2015). Esta ventana temporal es cla- duccin y distribucin se refiere (Izquierdo-Castillo, 2012),
ve para entender la monitorizacin que Netflix realiza sobre promovida por parte de este nuevo agente que es Netflix.
los hbitos de sus consumidores. Como se desprende de
las declaraciones de Mohammad Sabah en Hadoop summit 4.3. Proceso ETL (extract, transform and load) y siste-
(Sabah, 2012) y de Todd Yellin en How Netflix uses big data mas de almacenaje de datos
(Yellin, 2015), se analizan aspectos como: El protocolo tcnico de manejo de los datos se conoce como
- tipo de contenido reproducido o descartado; ETL (extract, transform and load, extraccin, transforma-
- caractersticas de la reproduccin (si se realiza a ritmo nor- cin y carga). Supone el proceso propiamente de gestin
mal, si se avanza o retrocede, se pausa o se abandona); masiva de la informacin (big data) en el que se van a apli-
- intensidad de la reproduccin (frecuencia y nmero de car criterios referentes a aspectos tcnicos como la calidad
horas de streaming por sesin); (caracterstica de veracidad), pudiendo as disponer de in-
- valoracin que el usuario le otorga al contenido (teniendo formacin til tanto por no contener errores (datos dupli-
Tognazzi-Drake, 2013),
resulta un escenario ideal
para lograr estrategias ba-
sadas en la informacin de
perfiles segmentados. Lo-
grar este retorno a travs
de los datos monitorizados
supone comenzar un pro-
ceso de descubrimiento de
valor en ellos. A tal efecto
se realiza un proceso itera-
tivo con grandes volme-
nes de datos con idea de
encontrar un modelo vli-
do. Un ejemplo habitual en
el consumo online puede
ser la identificacin de un
algoritmo til que detecte
bien la informacin que
Imagen 3. Vista del front-end donde se presentan grficos y datos dinmicos actualizados en tiempo real queremos (en qu captu-
lo de una serie se fideliza la
audiencia?), bien una con-
cados, errneos o invlidos) como por corresponder con los clusin (qu pas tiene una mayor tasa de conversin del
objetivos de negocio. El proceso de carga se enmarca dentro modelo de negocio?).
de la arquitectura de datos y va a definir aspectos como el
El catlogo de Netflix descansa sobre una compleja red de
modelo de integracin de datos o dnde van a almacenarse.
algoritmos que, nutrindose de la monitorizacin del con-
Las opciones habituales suelen ser dos:
sumo conectado de sus suscriptores, contribuye a formalizar
- un gran repositorio (depsito o almacn) de datos, deno- decisiones de visionado que resulten satisfactorias. Como
minado genricamente data warehouse; explican Gmez-Uribe y Hunt (2015), dependiendo de las
- almacenaje en la nube. caractersticas y las capacidades del dispositivo, Netflix pue-
de llegar a mostrar 40 filas de selecciones (que acostumbran
En Netflix los datos se almacenan en la infraestructura de la
a corresponderse con un algoritmo especfico). Dos de cada
nube de Amazon Web Service (AWS). Esta gestin a gran escala
tres horas de contenido reproducido en Netflix, explican los
es la que permite alcanzar volmenes de transmisin de con-
autores, se descubren en este nivel. En la prctica, hay tan-
tenidos de cerca de mil millones de horas al mes (Tse, 2015).
tos modelos personalizados bajo la apariencia de selecciones
4.4. Capa analtica recomendadas como usuarios suscritos a la plataforma.
Una vez preparados los datos, esto es, una vez que se dispo- Entre los algoritmos ms conocidos, Gmez-Uribe y Hunt
ne de los big data acordes con las pretensiones del negocio, (2015) destacan el Personal video ranker, una sofisticacin de
la siguiente accin a realizar
es la denominada capa ana-
ltica que nos ofrece infor-
macin sobre las mtricas
y los KPI (key performance
indicators, o indicadores
clave de rendimiento) es-
tablecidos previamente. La
analtica de datos muestra
informacin con idea de
convertirse en prximas
estrategias a realizar, pero
tambin puede hablar de
aspectos econmicos como
es el retorno de la inversin
(denominado normalmente
ROI, return on investment).
Teniendo en cuenta que
Netflix obtiene los ingresos
por suscripcin de abona-
dos y no por publicidad (Cla- Imagen 4. En el front-end pueden verse las rutas de navegacin seguidas por los usuarios, con tasas de peticin,
res-Gaviln; Ripoll-Vaquer; tasas de error y otros indicadores clave para cada ruta, que se actualiza casi en tiempo real.
pero al ser combinados dentro de un mismo contenido audiovisuales de los clientes y a identificar audiencias po-
ofrecan una base incluso ms slida. El resultado fue tenciales para sus productos.
una toma de decisiones de negocio basada en datos: la
La confluencia de la eficiencia en el diseo de programas,
inversin de 3,8 millones de dlares por captulo.
fruto de ese profundo conocimiento de sus clientes y la
El diseo de este tipo de productos a medida de los clientes apertura a nuevos mercados, ha discurrido tambin en pa-
es una manifestacin clara de la capa de Business intelligence. ralelo al incremento de Netflix originals. Este sera el caso
Esto es posible gracias a que los big data perfilan un pblico de Narcos (2015), un drama seriado centrado en la figura de
potencial con unas dimensiones definidas cuya predisposi- Pablo Escobar (narcotraficante colombiano, fundador y lder
cin a visionar el contenido es el camino para conseguir lo del Cartel de Medelln), con una importante proporcin de
que ellos quieren: maximizar la fidelizacin con el servicio. dilogo en castellano. Esta produccin lleg en un momento
de fuerte consolidacin y aumento de la audiencia hispana,
Netflix utiliza los datos obtenidos de sus tanto local, desde Estados Unidos, como internacional, y en
usuarios no para negociar con los anun- paralelo al desembarco del servicio en varios pases de Lati-
noamrica (Betancourt, 2015).
ciantes o las agencias de medios, sino
para captar y retener suscriptores, mini- La expansin internacional les ha permitido tambin redi-
mensionar a su pblico y, gracias a los big data, identificar los
mizar las bajas, conseguir fidelidad con
mismos segmentos de espectadores en distintos territorios.
el servicio a largo plazo, y lograr buenos Sus nichos de audiencia son ahora globales. El contenido para
ndices de satisfaccin con su producto audiencias generalistas, como House of cards (2013), Jessica
Jones (2015) o Fuller house (2016), coexiste ahora con pro-
ductos para los mencionados nichos globales. Las sitcoms (se-
5. Retos del anlisis de datos de Netflix con su ries cmicas televisivas situadas regularmente en los mismos
expansin internacional escenarios) para millennials, como Love (2016) o Masters of
Para una empresa de vocacin global que a fecha de abril de none (2015) son un buen ejemplo de esta tendencia.
2016 dispone de servicio activo en ms de 190 pases, la per-
sonalizacin es la nica va para conseguir proveer de conte- 6. Conclusiones
nido audiovisual a todos los territorios en los que se encuen- En el caso analizado vemos cmo la extraccin y manejo de
tra presente sin descuidar la diversidad cultural de cada uno datos, y su posterior anlisis y toma de decisiones, se ha
de ellos, atendiendo a los gustos audiovisuales locales. convertido en una ventaja competitiva para el negocio. Un
negocio orientado a su oferta en funcin de la demanda y
Como explican Raimond y Basilico (2016), hasta 2015 las re- gustos del usuario.
comendaciones estaban principalmente basadas en el lugar
de residencia. Cada vez que Netflix llegaba a un nuevo pas, El empleo de tcnicas de minera de datos permite a la com-
el servicio, adems de un etiquetado local de contenidos, se paa Netflix la segmentacin de sus clientes, y la identifi-
reajustaba de manera manual. Esta aproximacin a la reco- cacin de clusters de usuarios a los que poder observar y
mendacin pretenda evitar que la estandarizacin perjudi- ofrecer contenidos personalizados. En este sentido, estas
case la experiencia del usuario, y que se alejase de su cultura tcnicas han ayudado a crear su propia lnea de negocio
audiovisual. La expansin internacional afianzada en 2016 ha de producciones originales (Netflix originals) adaptadas en
impuesto un cambio operativo: en lugar de escalar la aproxi- gran medida a los intereses y demandas de sus suscriptores.
macin del algoritmo a cada mercado, el sistema ha evolucio- Con el empleo de tcnicas de minera de datos y de reco-
nado aglutinando los pases en regiones con catlogos simi- mendacin de contenidos hemos visto cmo logran tam-
lares y dejando que los algoritmos operen individualmente bin saber qu quieren o qu necesitan sus usuarios y con
en cada regin, pero procesando globalmente sus datos. Para ello reducir las bajas de su servicio.
evitar que los pases pequeos perviertan el algoritmo, en los
grandes, los datos de engagement o fidelizacin (identifica-
dos como reproducciones o intensidad de uso) se corrigen Netflix ha convertido el conocimiento de
atendiendo al tamao de los catlogos respectivos. No pode- sus usuarios en la piedra angular de su
mos olvidar que la seleccin que ofrece Netflix en los territo- modus operandi
rios en los que opera es distinta y vara en contenido y volu-
men. La gestin de derechos audiovisuales, a pesar de la falta
de barreras territoriales en internet, sigue siendo territorial y
Podemos concluir que la internacionalizacin del servicio
delimitada a las distintas ventanas de distribucin existentes:
ha sido, curiosamente, el paso decisivo para superar la frag-
cine, home-video, VOD y televisin (Clares-Gaviln, 2014).
mentacin cultural por pases. Gracias a su flujo de inteli-
Por otro lado, su gestin de los big data ha crecido a medida gencia de negocio, dinmico, circular y basado en modelos
que incorporaban ms suscriptores al servicio (Izrailevsky, de machine learning (Govind, 2015) han podido evolucionar
2016) y se ha ido enriqueciendo con nuevas capas gracias en la identificacin de nichos ms globales y en la produc-
a la expansin internacional. Los programas disponen aho- cin de contenidos a medida de un pblico objetivo que ha
ra de nuevos territorios a modo de circuitos de pruebas, lo crecido con la incorporacin de nuevos mercados. Netflix
que ayuda a depurar el mapa de preferencias de contenidos ahora recomienda, adquiere y produce para el mundo.
De cara a futuras lneas de investigacin consideramos que, Izquierdo-Castillo, Jessica (2015). El nuevo negocio medi-
de todos los aspectos sealados, sera pertinente ampliar el tico liderado por Netflix: estudio del modelo y proyeccin en
anlisis a otros proyectos de VOD con el objetivo de com- el mercado espaol. El profesional de la informacin, v. 24,
probar si esta realidad es replicable a otros casos de estudio. n. 6, pp. 819-826.
Con ello, podramos analizar, valorar e identificar tendencias http://dx.doi.org/10.3145/epi.2015.nov.14
que nos ayuden a seguir identificando por qu los big data
Izrailevsky, Yury (2016). Completing the Netflix cloud mi-
son considerados eje estratgico en el negocio de la distri-
gration. Netflix media center, 11 February.
bucin audiovisual bajo demanda.
https://goo.gl/T1rqW8
Asimismo, consideramos que el estudio de los big data apli-
Jenner, Mareike (2016). Is this TVIV? On Netflix, TVIII and
cado al negocio de la distribucin y consumo de contenido
binge-watching. New media & society, v. 18, n. 2, pp. 257-273.
audiovisual bajo demanda sugiere comenzar nuevas lneas
http://dx.doi.org/10.1177/1461444814541523
de investigacin que entiendan la relacin de las nuevas tec-
nologas con los usuarios y los creadores de contenidos. Jenkins, Henry (2008). Convergence culture: la cultura de
la convergencia de los medios de comunicacin. Barcelona:
Bibliografa Ediciones Paids. ISBN: 978 84 493 2153 5
Betancourt, Manuel (2015). Netflix unequal marketing of http://dx.doi.org/10.1177/1461444814541523
Narcos and Club de cuervos ignores bilingual latinos. Re- Martnez-Martnez, Silvia; Lara-Navarra, Pablo (2015). El
mezcla, 27 de octubre. big data transforma la interpretacin de los medios socia-
http://goo.gl/qcXmTf les. El profesional de la informacin, v. 23, n. 6, pp. 575-581.
Brogan, Jacob (2015). The case of the ornamental anthropolo- http://dx.doi.org/10.3145/epi.2014.nov.03
gist. How Netflix puts a human face on big data. Slate, 31 May. Madrigal, Alexis (2014). How Netflix reverse engineered
http://goo.gl/9Tu7Ja Hollywood. The Atlantic, 2 Jan.
Carr, David (2013). Giving viewers what they want. The http://goo.gl/7XCSWA
New York times, 24 Febr. McCabe, Jenny (2013). Netflix quick guide: How does Netflix
http://goo.gl/Iwuks8 decide whats on Netflix. Jenny McCabe, Director of global
Clares-Gaviln, Judith (2014). Estructura y polticas pblicas media relations, Netflix.
ante los nuevos retos de la distribucin y consumo digital https://www.youtube.com/watch?v=VvpoUh9gx58
de contenido audiovisual. Los proyectos de vdeo bajo de- Napoli, Philip M. (2008). Toward the model of audience evo-
manda de cine Filmin y Universcin como estudio de caso. lution: New technologies and the transformation of the media
Universitat Ramon Llull. Tesis doctoral. audiences. McGannon Center working paper series. Paper 15.
http://www.tesisenred.net/handle/10803/247706 http://fordham.bepress.com/mcgannon_working_papers/15
Clares-Gaviln, Judith; Ripoll-Vaquer, Jaume; Tognazzi- Neira, Elena (2015). La otra pantalla. Redes sociales, mvi-
Drake, Alberto (2013). Distribucin audiovisual en internet. les y la nueva televisin. Barcelona: Editorial UOC. ISBN: 978
VoD y nuevos modelos de negocio. Barcelona: Editorial UOC. 8 4911 6116 5
ISBN: 978 84 9029 911 1
Raimond, Yves; Basilico, Justin (2016) Recommending for
Fernndez-Manzano, Eva-Patricia (2016). Big data. Eje es- the world. Netflix tech blog, 17 Febr.
tratgico en la industria audiovisual. Barcelona: Editorial http://techblog.netflix.com/2016/02/recommending-for-
UOC. ISBN: 978 84 9116 380 0 world.html
Gmez-Uribe, Carlos A.; Hunt, Neil (2016). The Netflix Sabah, Mohammad (2012). Hadoop Summit, 2012. Moham-
recommender system: Algorithms, business value, and in- mad Sabah, Principal data scientist, Netflix. Silicon Angle.
novation. AMC transactions on management information https://www.youtube.com/watch?v=9h6wQXuke_E
systems (TMIS), v. 6, n. 4, article n. 13.
Scolari, Carlos A. (2013). Narrativas transmedia: cuando to-
http://dx.doi.org/10.1145/2843948
dos los medios cuentan. Barcelona: Deusto Ediciones. ISBN:
Govind, Nirmal (2014). Optimizing the Netflix streaming 978 84 234133 6 2
experience with data science. Netflix tech blog, 11 June.
Serrano-Cobos, Jorge (2014). Big data y analtica web. Es-
http://techblog.netflix.com/2014/06/optimizing-netflix-
tudiar las corrientes y pescar en un ocano de datos. El pro-
streaming-experience.html
fesional de la informacin, v. 23, n. 6, pp. 561-565.
Gubbins, Michael (2012). Digital revolution. Active audi- http://dx.doi.org/10.3145/epi.2014.nov.01
ences and fragmented consumption. En: Iordanova, Dina;
Tse, Eva (2015). Netflix case study. Amazon web service.
Cunninghan, Stuart (eds.). Digital disruption: Cinema moves
https://aws.amazon.com/es/solutions/case-studies/netflix
on-line. St. Andrews: St. Andrews Film Studies. ISBN: 978
09563730 7 6 Yellin, Todd (2015). How Netflix uses big data. Todd Yellin,
VP of innovation, Netflix.
Izquierdo-Castillo, Jessica (2012). Distribucin online de
https://www.youtube.com/watch?v=Pu4myXu0ji0
contenidos audiovisuales: anlisis de 3 modelos de negocio.
El profesional de la informacin, v. 21, n. 4, pp. 385-390. Yin, Robert K. (2009). Case study research. Design and
http://dx.doi.org/10.3145/epi.2012.jul.09 methods. Thousand Oaks: Sage. ISBN: 978 1412960991