Personalización de contenido.
La home, los carruseles y el hero, ordenados para cada usuario.
Recomendación basada en consumo, metadata enriquecida y contexto de sesión. Más horas vistas, más completion, menos abandono temprano. Sin renunciar al peso editorial del catálogo regional.
Cuando todos los usuarios ven la misma home, el catálogo se siente chico.
Carruseles iguales para perfiles distintos
La home muestra los mismos diez títulos para cualquier usuario. El catálogo regional pierde lugar y los hits globales se repiten en cada visita.
Abandono temprano
Si el contenido afín no aparece en los primeros segundos de scroll, el usuario abandona. La diferencia entre cinco y cincuenta minutos por sesión define la retención.
Editoria sin evidencia
El equipo decide qué carrusel funciona para cada cohorte por intuición. Sin datos accionables, la curaduría queda sostenida por opinión.
Feature store de tres niveles para reordenar la experiencia.
Perfil del usuario
Consumo histórico por género y sub-género, talent affinity, mood preference por franja horaria, mix de dispositivos y antigüedad se mantienen vivos a nivel usuario.
Catálogo enriquecido
Metadata, embeddings de sinopsis, embeddings visuales del póster y performance histórica en plataforma se asocian a cada título.
Contexto de sesión en tiempo real
Dispositivo, hora del día, día de la semana y eventos especiales se incorporan al scoring para que la home se adapte al momento.
Activación con peso editorial
Modelos en Einstein Recommender, Vertex AI o Databricks reordenan carruseles, ítems, hero banner y, cuando corresponde, thumbnails. El peso editorial queda configurable.
Antes y después de Data Cloud
Horas vistas por sesión
La home genérica no logra extender el tiempo de visualización promedio.
El reordenamiento de carruseles solo, sin tocar nada más, mueve el indicador de manera consistente.
Abandono temprano
El usuario que no encuentra contenido afín en los primeros segundos cierra la app.
La home empieza con afinidad real y el abandono en los primeros sesenta segundos cae.
Catálogo regional
Los títulos locales quedan al final y pierden visibilidad frente al contenido global popular.
El scoring híbrido combina engagement esperado con peso editorial. Lo regional convive con lo global.
Decisión editorial
La curaduría se hace sin lectura clara de cómo responde cada cohorte.
El equipo ve qué carrusel, qué horario y qué cohorte responde mejor a cada apuesta.
Un viernes a la noche en mobile, contado por el sistema.
Apertura de sesión
Imaginate un publisher de streaming con 50 millones de usuarios mensuales. El usuario abre la app en mobile a las 21:14. El sistema detecta franja, dispositivo y patrón previo de abandono por género.
Home armada en menos de dos segundos
La home carga con "continuá viendo" arriba, top de acción de la semana, originales de la plataforma como push editorial, "porque viste esto" personalizado y documentales como diversidad.
Reordenamiento dentro del carrusel
Cada carrusel ordena sus títulos según afinidad individual. Lo más probable de mirar aparece primero. Lo regional aparece donde el peso editorial lo definió.
Inicio de visualización
El usuario empieza a ver dentro de los primeros cuatro minutos, sin scrollear por todo el catálogo. La sesión arranca con expectativa cumplida y completa más alto.
Lo que cambia cuando la home se piensa para cada usuario.
Lift en horas vistas por sesión
El indicador agregado se mueve desde el primer mes y se sostiene en cohortes maduras.
Mejor completion rate
Los títulos recomendados se completan más. La curaduría editorial llega a su audiencia natural.
Menor churn por engagement bajo
Las cohortes con NPS medio, donde el contenido manda, retienen mejor cuando la home es relevante.
Mayor diversidad de catálogo consumido
La inversión editorial en producción local llega a más usuarios y protege la apuesta regional.
Preguntas frecuentes
El cold start se resuelve con demografía declarada, señales de las primeras sesiones y un pool de contenido con buen engagement transversal. A partir de la quinta o sexta sesión, el sistema ya tiene señal suficiente para personalizar de manera relevante. Antes de eso, la home se parece más a la versión editorial general.
Sí. El scoring híbrido combina engagement esperado con peso editorial configurable. Los equipos definen qué carruseles son siempre fijos, cuáles tienen prioridad editorial y cuáles se ordenan exclusivamente por afinidad. La personalización amplifica la curaduría, no la reemplaza.
Para la mayoría de las plataformas regionales, Einstein Recommender resuelve los casos principales con calidad razonable. Cuando el catálogo es muy grande, hay producción original pesada y el equipo de ciencia de datos quiere ajustar el modelo a fondo, conviene un sistema custom en Databricks o Vertex AI con Data Cloud como feature store.
¿Querés implementar este caso?
Hablemos del estado de tus datos y diseñamos juntos el roadmap.