whatsapptwitterteamslinkedinfacebookworkplace

Blog post

¡Pura magia! Casos de uso de Inteligencia Artificial en la industria del entretenimiento

Dado que los comportamientos de consumo de contenidos son cada vez más complejos y evolucionan más rápidamente que nunca, las empresas de medios de comunicación y entretenimiento se enfrentan a mercados cada vez más competitivos e inciertos, que impulsan la necesidad de reducir los costes operativos y, simultáneamente, generar más ingresos por la entrega de contenidos.

A continuación, hablaremos sobre casos concretos de cómo el Advanced Analytics está potenciando la industria del entretenimiento y los medios:

Publicidad hiper-segmentada

La posibilidad de combinar datos de diferentes fuentes en un solo lugar puede permitir a las empresas considerar a sus clientes como un todo y ofrecerles ofertas únicas e hiper-dirigidas. En la televisión y la publicidad, esto se evoca en el concepto de direccionabilidad: la capacidad de interactuar con los consumidores en función de lo que sus elecciones específicas revelan sobre sus intereses y preferencias.

Por lo tanto, gracias a la IA y el Machine Learning, las empresas de medios y entretenimiento pueden predecir las tasas de abandono con mayor precisión, colocar la publicidad en el momento y lugar adecuados, y tener ofertas más apropiadas y personalizadas para aumentar la conversión.

Por ejemplo, algunas plataformas de streaming y los principales estudios de cine ya están experimentando con la personalización basada en Machine Learning de los tráileres de las películas, que hace hincapié en elementos específicos que saben que le gustaría a un determinado público objetivo.

El pasado mes de noviembre, 20th Century Fox explicó cómo utilizaba la IA para detectar objetos y escenas dentro de un tráiler y, a continuación, predecir qué "microsegmento" de la audiencia encontraría la película más atractiva.

Modelos predictivos en tiempo real para anticipar la demanda y la segmentación

En el sector de los medios de comunicación y el entretenimiento, que está en constante evolución, mirar hacia atrás, a la actividad pasada de los consumidores, a menudo no es una buena indicación de lo que harán a continuación. En su lugar, es fundamental la predicción en tiempo real basada en las tendencias y comportamientos actuales de todas las fuentes de datos.

Los modelos predictivos, en particular, ayudarán a las empresas de medios de comunicación y entretenimiento no sólo a reaccionar ante los consumidores en tiempo real, sino también a anticiparse a su comportamiento, influyendo en las inversiones a largo plazo, por ejemplo, qué tipo de películas en qué microsegmentos de consumidores serán populares dentro de dos años. Además, las empresas pueden hacer predicciones sobre qué clientes son más propensos a ver un determinado tipo de contenido y qué dispositivo utilizarán cuando lo vean.

Compra programática de anuncios

Tradicionalmente, las empresas compran espacios publicitarios para programas de televisión mucho antes de su emisión. Aunque estas compras de publicidad suelen basarse en un análisis de los datos de la audiencia (edad, género, geografía, etc.), no tienen en cuenta el alto nivel de fluidez de los espectadores. El proceso de compra de anuncios en sí mismo es engorroso.

Aunque este modelo tradicional de compra y venta de televisión ha funcionado durante décadas, no está exento de ineficiencias. La principal es que muchas de las interacciones que se producen son manuales: solicitudes de propuestas, órdenes de inserción y tráfico publicitario, por no hablar de los interminables correos electrónicos, hojas de cálculo e incluso faxes.

De ahí la llegada de la "compra programática de anuncios", que aprovecha el análisis de datos en tiempo real y la automatización para comprar anuncios en una amplia variedad de plataformas de medios: televisión de difusión, cable, satélite, servicios over-the-top como Hulu y Netflix, y servicios de vídeo en línea como YouTube. Este nuevo método de compra de publicidad implicará un sistema que puede supervisar constantemente la dinámica de la audiencia en múltiples canales y responder a la compra de espacio publicitario tan pronto como esté disponible.

Programación personalizada

Quizás no haya un ejemplo más destacado del impacto de la IA en los medios de comunicación que los servicios over-the-top como Netflix, HBO, Disney o Amazon Prime. Estas plataformas no solo han transformado la forma en que la gente consume cine y televisión a través de la programación a la carta con un número significativamente menor de anuncios, sino que han transformado la forma en que se comercializan los programas. Todos y cada uno de sus clientes proporcionan un flujo constante de datos que traza un sofisticado retrato de sus preferencias y hábitos de visionado.

Cada vez que alguien se conecta a su cuenta de Netflix, se le presenta un conjunto personalizado de programas basado en su historial de visionado. Los algoritmos de la plataforma utilizan una serie de datos diferentes para predecir lo que le gustará a una persona. No sólo identificará patrones en tu historial de visionado (que hayas buscado varios documentales deportivos o películas en francés, por ejemplo), sino que te recomendará programas que hayan visto otras personas con historiales de visionado similares. El algoritmo mejora constantemente gracias a los datos que le proporcionan millones de usuarios de Netflix.

Netflix también ha empleado la IA para optimizar la forma en que se presentan las películas y los programas a los usuarios. Netflix prueba diferentes presentaciones de miniaturas de programas para entender cuáles son las que más atraen a los espectadores. Una vez más, la combinación con otros datos de audiencia puede llevar a la plataforma a concluir que ciertos diseños funcionan mejor con determinados espectadores.

Automatización de las tareas de RRHH, jurídicas y administrativas

Las empresas de la industria del entretenimiento también podrían aplicar la IA y el aprendizaje automático para mejorar la eficiencia y reducir el tiempo y los costes en una serie de tareas de RRHH, legales y administrativas.

La previsión de pagos residuales se refiere a la forma en que se compensa al talento en función de la distribución de contenidos en varios canales. Para los estudios de cine, determinar y prever la compensación residual de cada colaborador puede suponer un enorme sumidero de tiempo y esfuerzo, pero la buena noticia es que gran parte de este proceso podría automatizarse. Un algoritmo de IA o autoML adecuadamente entrenado puede hacer gran parte del trabajo de investigación, buscando las cláusulas y disposiciones clave en los contratos relacionados con la compensación residual, así como rastreando y analizando automáticamente cómo los diferentes cortes de la misma película afectarán al pago residual de cada actor.

Garantizar el cumplimiento de las normas de derechos de autor. Otra tarea tediosa para los estudios de televisión y las distribuidoras en particular es verificar si siguen teniendo los derechos de los personajes, la música, el guión, el atrezzo, etc. para cada reposición de un programa o emisión determinada. La IA tiene el potencial de liberar al costoso talento legal de la lectura de miles de documentos, buscando cada instancia de palabras clave relevantes en esas resmas de datos.

Casting basado en la IA: Algunas empresas están empezando a experimentar con el uso de la IA para optimizar los castings. Una empresa con sede en Los Ángeles obtiene la licencia de los datos históricos sobre las actuaciones de las películas a lo largo de los años, y luego los cruza con información sobre los temas de las películas y los talentos clave, utilizando el aprendizaje automático para descubrir patrones ocultos en los datos. Su software permite a los creadores de películas jugar al football fantasy con su película, introduciendo un reparto y cambiando un actor por otro para ver cómo afecta a la recaudación prevista de la película.

La automatización de los "informes robóticos" liberará el tiempo de los periodistas para realizar trabajos que aporten más valor

Si pensabas que el periodismo era una profesión exclusivamente humana, piénsalo de nuevo. Un porcentaje cada vez mayor de los contenidos informativos en línea no está escrito por personas, sino por robots con capacidades avanzadas de procesamiento del lenguaje natural. Un tercio de los artículos de Bloomberg, el popular sitio de noticias de negocios, están escritos, al menos parcialmente, por Cyborg, un programa basado en IA que puede diseccionar un informe financiero en el momento en que aparece y escupir una noticia inmediata que incluya los hechos y las cifras más pertinentes. Lo mejor es que, a diferencia de los reporteros de negocios, que suelen encontrar ese tipo de tarea repetitiva poco satisfactoria y aburrida, Cyborg lo hace sin rechistar.

Otro de los grandes medios de comunicación que se ha aventurado a hacer reportajes con robots es Associated Press, que los ha utilizado para la cobertura automatizada de noticias financieras y para elaborar artículos sobre las ligas menores de béisbol. En 2016, el Washington Post ha utilizado su robot reportero Heliograf para peinar los datos e identificar las tendencias en los negocios, la política, el tiempo o cualquier otro tema que un reportero pueda estar interesado en cubrir. En esencia, Heliograf actúa como un investigador muy eficaz al servicio de los periodistas.

Los medios de comunicación que utilizan la IA dicen que su objetivo es permitir a los periodistas hacer un trabajo más valioso, no quitarles el trabajo. Todavía hay contenidos informativos importantes en los que los robots pueden ayudar, pero no sustituir a los humanos. La gente no lee los periódicos y las revistas sólo para informarse. También buscan análisis y conocimientos que aprovechen el razonamiento y las emociones humanas que un ordenador no puede reproducir fácilmente.

Referencias:

Todos los derechos reservados a Dataiku & PWC

newsletter.svg

¡No te pierdas nuestros insights!

Mantente al día en las últimas noticias y eventos

Su dirección de correo electrónico sólo se utiliza para enviarle el boletín de Keyrus. Puede utilizar el enlace para darse de baja en cada boletín enviado en cualquier momento. Más información sobre la gestión de sus datos y sus derechos.

Continuar leyendo

Blog post

Cebras, Dálmatas y Elefantes: La detección de anomalías a través de la Inteligencia Artificial

29 de noviembre de 2021

La detección de anomalías consiste en encontrar patrones de interés que se desvíen del comportamiento esperado dentro de los conjuntos de datos.

Blog post

El sistema de recomendación de moda del que Cruella de Vil estaría orgullosa

23 de noviembre de 2021

Imagina que Cruella De Vil, la villana y diseñadora de moda más famosa de Disney consiguiera optimizar su tiempo a la hora de probar sus fabulosas creaciones o incluso inspirarse en nuevos modelitos.

Blog post

La Inteligencia Artificial que está dando alas a la cadena de suministro

23 de noviembre de 2021

¿Qué sería una cadena de suministro que no analizara datos?   Sería cualquier cosa excepto una cadena de suministro. 

Blog post

Conecta con tus clientes mediante motores de recomendación inteligentes

22 de noviembre de 2021

Los motores de recomendación predicen qué tipo de información o contenido les puede interesar a los usuarios.

Blog post

Keyrus y Talend Data Fabric, la pareja perfecta para integrar y gobernar tus datos

18 de noviembre de 2021

Mantener tus datos en buen estado requiere un cuidadoso equilibrio entre disponibilidad, usabilidad, integridad y seguridad.

Blog post

Cómo humanizar el dato a través de la Inteligencia Artificial en la industria del entretenimiento

16 de noviembre de 2021

El sector necesita reducir los costes operativos y, simultáneamente, generar más ingresos por la entrega de contenidos.

Blog post

Comprende los nuevos patrones de comportamiento con Inteligencia Artificial

22 de noviembre de 2021

Los patrones de comportamiento a la hora de consumir contenido son más complejos que nunca.

Blog post

Dataiku y la Analítica Avanzada en la industria del entretenimiento

23 de noviembre de 2021

Análisis más avanzados en torno a la segmentación de clientes, la pérdida de clientes, el customer lifetime value, el marketing, la previsión y mucho más.

Blog post

4 cosas a tener en cuenta para crear el modelo de detección de fraude perfecto

29 de noviembre de 2021

Muchas empresas del sector utilizan el Machine Learning para transformar los procesos comerciales en toda la organización de manera revolucionaria.

Blog post

Cómo mejorar la detección de fraudes si vienes del mundo bancario

29 de noviembre de 2021

Uno de los grandes retos del sector bancario se basa en mejorar la detección de fraudes manteniendo los estándares de seguridad y gobernanza de datos.