Netflix publica modelo para medir el impacto causal de sus recomendaciones

Fuentes: Netflix publishes model to measure causal impact of its recommendations

Netflix ha publicado un artículo en el International Journal of Industrial Organization que detalla un modelo matemático diseñado para cuantificar el valor causal de sus sistemas de recomendación personalizadas. El estudio, presentado también en la conferencia ACM EC '26, aborda el desafío de separar el atractivo intrínseco de un título de su valor añadido por la recomendación, un problema que las métricas simples de visibilidad no resuelven porque las recomendaciones no son asignaciones aleatorias.

El equipo de investigación, liderado por Kevin Zielnicki y Guy Aridor, desarrolla un modelo de elección conductual que trata la visualización como un proceso diario. Este modelo utiliza un enfoque de baja dimensión para aprender representaciones de títulos y preferencias de usuarios, capturando así la complejidad de las similitudes no evidentes por género o fecha de lanzamiento. A diferencia de los modelos estáticos, este sistema modela las preferencias como dinámicas y variables en el tiempo, basándose en el historial de visualización reciente.

Para validar la precisión del modelo, los autores combinan la modelización a gran escala con pruebas A/B de pequeña escala que introducen variaciones exógenas en la visibilidad de títulos. Este método permite medir las tasas de desviación: cuánto se desplaza la atención de los usuarios a otros títulos o se aleja de la plataforma cuando la recomendación cambia. El objetivo final es estimar contrapartidas: qué pasaría si un título no se recomendara o si el sistema actual se reemplazara por alternativas más simples, ofreciendo una visión clara del impacto real de la personalización en la retención y el descubrimiento de contenido.