MoviePass and Sinemia logosA medida que opciones de suscripción como Netflix, HBO y otras se convierten en cada vez más mayoritarias y protagonistas de nuestro consumo de productos de entretenimiento, en los Estados Unidos está destapándose una nueva batalla, esta vez por el dominio de otro territorio hasta el momento bastante inexplorado en ese sentido: la sala de cine.

MoviePass, una compañía neoyorquina fundada en 2011 en torno al concepto de tarifa plana para las salas de cine, que había pasado por varios períodos de inestabilidad y con estructuras de precios cambiantes, lanzó en agosto del pasado 2017 un producto que parecía demasiado bueno para ser verdad: ver una película al día en sala de cine durante un mes por $9.95. El servicio ganó popularidad rápidamente entre el público y llegó a atraer a más de dos millones de clientes en febrero de 2018, pero en efecto, resultó demasiado bueno para ser verdad, y tras generar importantes pérdidas y atraer dudas sobre la viabilidad de la compañía, fue cancelado en abril de 2018, con el CEO de la compañía, Mitch Lowe, afirmando que no sabía si ese modelo volvería.

El pasado 5 de abril, sin embargo, se anunció que la compañía había adquirido de los desechos de ese basurero llamado Oath un servicio de trailers, información de películas y venta de entradas operado a través de Fandango, llamado Moviefone, y que pensaba convertirlo en un servicio de recomendación de películas para amantes del cine, y finalmente, el día 2 de mayo, decidió revivir su plan ilimitado y más popular, simplemente añadiendo alguna restricción como la de no poder ver varias veces la misma película. Unos días después, Sinemia, un servicio similar pero restringido a algunos mercados escogidos, se lanzó en todos los Estados Unidos con un posicionamiento de precio algo diferente, pero pensado para aquellos que encontraban la oferta ilimitada de MoviePass imposible de aprovechar: $4.99 por una película al mes, $6.99 por dos, $9.99 incluyendo películas en 3D y en IMAX, y $14.99 por tres películas mensuales en cualquier tipo de sala.

Claramente, algo se está moviendo en las tendencias de consumo de las salas de cine norteamericanas. Mientras servicios como MoviePass crecen, grandes gestoras de salas de cine como AMC, a las que la compañía adquiere las entradas en bloque y que van viendo cómo se convierte en una parte creciente de sus ingresos totales, la miran con recelo y se niegan a compartir los beneficios adicionales con ella, lo que lleva a la compañía a lanzarles avisos como la eliminación de algunas de sus salas de la app, que redirige a esos espectadores a otras salas cercanas. Según palabras de Mitch Lowe,

“Our customers want to go to AMCs, we want to work with AMC. But at same time, we can’t keep giving millions and millions of dollars a week to an entity that says, over and over again, ‘we’re happy to take your money but we’re never going to share in that increased profit with you.”

(Nuestros clientes quieren ir a salas de AMC, queremos trabajar con AMC. Pero no podemos seguir dando millones y millones de dólares por semana a una entidad que dice, una y otra vez, que ‘estamos felices’ de coger su dinero, pero nunca vamos a compartir ese incremento de ganancias con usted)

La viabilidad económica de una compañía que ofrece una tarifa plana pero que alimenta su inventario comprando entradas a precio completo en los cines parece, como mínimo, compleja: en abril de 2018, la compañía acumulaba pérdidas de más de $150 millones y, a pesar de la entrada de nuevos inversores atraídos por el crecimiento de su base de usuarios, generaba bastantes dudas acerca de la promesa de su CEO de generar flujos de caja positivos en el 2019 si no surgen formas claras de incrementar la rentabilidad por usuario. Sin embargo, la compañía parece dispuesta a convertirse en un actor importante a pesar del inmovilismo de los propietarios de cadenas importantes, y a rebajar las barreras de entrada a unas salas de cine que cada vez incrementaban más sus precios y cuyo mercado llevaba bastantes años en recesión.

¿Puede la idea de pagar una tarifa plana por poder ir al cine de manera ilimitada convertirse en una opción popular? Por el momento, más de dos millones de americanos parecen pensar que sí: La clave, lógicamente, está en entender las pautas de consumo: ¿cuántas veces irías o podrías ir al cine si tuvieses una tarifa plana? ¿Cómo convertir eso en un negocio rentable y en una opción de ocio que muchos encuentren atractiva? El mercado del cine ha mostrado fuertes evidencias de una gran elasticidad de precio, como muestra el éxito de promociones puntuales como la Fiesta del Cine en España, en la que el precio de las entradas recibe un generoso descuento y que suelen generar una gran afluencia de público. El problema, como muchos llevamos muchísimos años afirmando, no es la piratería, sino el precio y la oferta disponible. ¿Podría la tarifa plana convertirse en un elemento importante en el futuro del cine?

 

OscarLa ceremonia de entrega de los Oscars, recién concluida hace unos instantes, me ha dejado un sabor de boca muy interesante: los galardones han ido cayendo, uno detrás de otro, siguiendo las predicciones publicadas anteriormente por los algoritmos que, el pasado 1 de marzo, publicó BigML, la compañía de machine learning en la que soy asesor estratégico. Y cuando digo “uno detrás de otro”, realmente me refiero a eso: un pleno. Absoluto. Los candidatos de todas y cada una de las seis grandes categorías que  el algoritmo señaló como favoritos (mejor película, mejor director, mejor actor, mejor actriz, mejor actor secundario y mejor actriz secundaria) han terminado obteniendo el correspondiente galardón.

¿Magia? Suerte? No, simplemente machine learning. Es lo que tiene trabajar con la optimización de un algoritmo. Como ingredientes, las características de la película (duración, presupuesto, género, etc.), su evaluación en IMDB, y sus nominaciones en una serie de premios anteriores (Globos de Oro, BAFTA, Screen Actors Guild, y Critics Choice), aplicados además a la misma base de datos histórica desde el 2000 al 2017 utilizada en las predicciones del año anterior. En total, algo más de cien datos por película. Este año, se eliminaron del cálculo las puntuaciones otorgadas por los usuarios en IMDB, que el año anterior no resultaron ser importantes y que resultan complejas de adquirir. Finalmente, se evaluaron los resultados de las predicciones aplicándolos a los de las películas entre 2013 y 2016, con muy buenos resultados: los modelos fueron capaces de predecir los ganadores de cada categoría en durante cuatro años consecutivos con muy pocos errores.

Cuando ves un resultado así, y además, entiendes cómo se ha obtenido, tienes una extraña sensación de predictibilidad, entre el “qué lógico es todo” y el “ya lo decía yo”. En realidad, se trata simplemente de aplicar la metodología adecuada a los datos adecuados: el año pasado, ensembles. Este año, deepnets, redes neuronales profundas. Un modelo por categoría premiada, que tarda alrededor de media hora en ser entrenado probando docenas de redes diferentes en segundo plano, y que termina generando la construcción de un clasificador de alto rendimiento. Obviamente, podríamos encontrarnos una categoría en la que, por la razón que fuese, surgiese un ganador que rompiese con todas las predicciones, que ganase contra todo pronóstico… pero es menos probable cuanto más y mejores datos vas teniendo para educar tus algoritmos.

Esto no es más que un ejercicio. Muchas empresas lo hacen: todos sabemos que el objetivo de IBM, el de Google o el de la Universidad de Carnegie Mellon cuando crean algoritmos capaces de ganar al ajedrez, al Jeopardy, al Go o al poker no está en ganar esos juegos, sino en ser capaz de demostrar las posibilidades de su tecnología. El resultado está, muchas veces, sujeto al sensacionalismo o al riesgo de quedarse en lo meramente anecdótico, según cómo se cuente y cómo se lea. Pero como ejercicio, va un poco más allá de lo meramente anecdótico: puede servir para que algunos en situación de tomar decisiones empiecen a entender el tipo de cosas que se pueden hacer con herramientas como el machine learning, y las posibles aplicaciones que pueden tener a sus compañías. Repetimos: no es magia: una parte importantísima del trabajo está en la definición del objetivo, en obtener los datos adecuados, en su transformación y en todos los aspectos que hay que llevar a cabo antes de obtener un modelo y evaluarlo. Las empresas reales no suelen ser así: los datos no suelen ser fácil de encontrar, ni estar en el formato adecuado, ni poder importarse a una base de datos de manera inmediata y sencilla, ni siquiera estar completos. En muchas ocasiones, ni siquiera el objetivo está adecuadamente definido. No, no es magia, es trabajo. Alguien tiene que definirlo adecuadamente, hacerlo, y contar para ello con las herramientas adecuadas que combinen capacidad y facilidad para la interpretación. Pero cuando se tienen esos datos y esas herramientas, los resultados obtenidos tienen sentido, y pueden servir para que algunos entiendan de qué estamos hablando. Los Oscars de 2018 los ha ganado… el machine learning.

 

OscarLa ceremonia de entrega de los Oscars, recién concluida hace unos instantes, me ha dejado un sabor de boca muy interesante: los galardones han ido cayendo, uno detrás de otro, siguiendo las predicciones publicadas anteriormente por los algoritmos que, el pasado 1 de marzo, publicó BigML, la compañía de machine learning en la que soy asesor estratégico. Y cuando digo “uno detrás de otro”, realmente me refiero a eso: un pleno. Absoluto. Los candidatos de todas y cada una de las seis grandes categorías que  el algoritmo señaló como favoritos (mejor película, mejor director, mejor actor, mejor actriz, mejor actor secundario y mejor actriz secundaria) han terminado obteniendo el correspondiente galardón.

¿Magia? Suerte? No, simplemente machine learning. Es lo que tiene trabajar con la optimización de un algoritmo. Como ingredientes, las características de la película (duración, presupuesto, género, etc.), su evaluación en IMDB, y sus nominaciones en una serie de premios anteriores (Globos de Oro, BAFTA, Screen Actors Guild, y Critics Choice), aplicados además a la misma base de datos histórica desde el 2000 al 2017 utilizada en las predicciones del año anterior. En total, algo más de cien datos por película. Este año, se eliminaron del cálculo las puntuaciones otorgadas por los usuarios en IMDB, que el año anterior no resultaron ser importantes y que resultan complejas de adquirir. Finalmente, se evaluaron los resultados de las predicciones aplicándolos a los de las películas entre 2013 y 2016, con muy buenos resultados: los modelos fueron capaces de predecir los ganadores de cada categoría en durante cuatro años consecutivos con muy pocos errores.

Cuando ves un resultado así, y además, entiendes cómo se ha obtenido, tienes una extraña sensación de predictibilidad, entre el “qué lógico es todo” y el “ya lo decía yo”. En realidad, se trata simplemente de aplicar la metodología adecuada a los datos adecuados: el año pasado, ensembles. Este año, deepnets, redes neuronales profundas. Un modelo por categoría premiada, que tarda alrededor de media hora en ser entrenado probando docenas de redes diferentes en segundo plano, y que termina generando la construcción de un clasificador de alto rendimiento. Obviamente, podríamos encontrarnos una categoría en la que, por la razón que fuese, surgiese un ganador que rompiese con todas las predicciones, que ganase contra todo pronóstico… pero es menos probable cuanto más y mejores datos vas teniendo para educar tus algoritmos.

Esto no es más que un ejercicio. Muchas empresas lo hacen: todos sabemos que el objetivo de IBM, el de Google o el de la Universidad de Carnegie Mellon cuando crean algoritmos capaces de ganar al ajedrez, al Jeopardy, al Go o al poker no está en ganar esos juegos, sino en ser capaz de demostrar las posibilidades de su tecnología. El resultado está, muchas veces, sujeto al sensacionalismo o al riesgo de quedarse en lo meramente anecdótico, según cómo se cuente y cómo se lea. Pero como ejercicio, va un poco más allá de lo meramente anecdótico: puede servir para que algunos en situación de tomar decisiones empiecen a entender el tipo de cosas que se pueden hacer con herramientas como el machine learning, y las posibles aplicaciones que pueden tener a sus compañías. Repetimos: no es magia: una parte importantísima del trabajo está en la definición del objetivo, en obtener los datos adecuados, en su transformación y en todos los aspectos que hay que llevar a cabo antes de obtener un modelo y evaluarlo. Las empresas reales no suelen ser así: los datos no suelen ser fácil de encontrar, ni estar en el formato adecuado, ni poder importarse a una base de datos de manera inmediata y sencilla, ni siquiera estar completos. En muchas ocasiones, ni siquiera el objetivo está adecuadamente definido. No, no es magia, es trabajo. Alguien tiene que definirlo adecuadamente, hacerlo, y contar para ello con las herramientas adecuadas que combinen capacidad y facilidad para la interpretación. Pero cuando se tienen esos datos y esas herramientas, los resultados obtenidos tienen sentido, y pueden servir para que algunos entiendan de qué estamos hablando. Los Oscars de 2018 los ha ganado… el machine learning.

 

Movies AnywhereGoogle anuncia Movies Anywhere, un servicio en el que participan estudios como Disney, Fox, Sony Pictures, Universal o Warner Bros., y que permite acceder a las películas y contenidos que un usuario haya adquirido en cualquiera de sus plataformas para reproducirlos a través de Google Play.

La idea de un repositorio inteligente, capaz de identificar todos los contenidos a los que un usuario tiene derecho a acceder con el fin de que pueda reproducirlos desde un único servicio, tiene mucho sentido dada la creciente fragmentación del mercado de los contenidos. En este momento, el mayor problema de muchos usuarios a la hora de consumir contenidos es saber en dónde diablos están: hemos pasado de un escenario de escasez a uno de abundancia, y eso conlleva acostumbrarse a una panoplia de canales, servicios de suscripción, on-demand, plataformas e incluso dispositivos diferentes. Las licencias de los propios contenidos están sujetos a nuevas negociaciones y bailes, como la posibilidad de que sean actores tan poco habituales como Amazon o Apple los que compitan por los nuevos contenidos de la franquicia James Bond, mientras otros movimientos apuntan a actores como Disney construyendo sus propios servicios de streaming y excluyendo sus contenidos de otros en los que tradicionalmente habían estado disponibles, como Netflix

El balance es delicado, pero parece estar, tras muchos años complicados, poniéndose del lado de la industria de los contenidos: el acceso a descargas a través de sistemas no autorizados resulta cada vez más incómodo, las propias plataformas y agregadores de enlaces se convierten, debido a la creciente presión por monetizar en un entorno cada vez más marginalizado, en montones de basura con publicidad de ínfima calidad, malware o incluso esquemas de minado de bitcoins a expensas del procesador del usuario. En algunos países, la proliferación de esquemas de captura de direcciones IP y envío de mensajes desde el ISP o por copyright trolls demandando pagos – que son asumidos como reconocimiento de culpabilidad – para evitar posibles acciones judiciales se están convirtiendo en habituales, lo que convierte en cada vez más temeraria la alternativa de acudir a plataformas irregulares de descarga de contenidos sin hacerlo a través de una VPN que no almacene logs, y todo ello se encuadra en una reducción cada vez mayor del atractivo de ese tipo de servicios paralela al crecimiento en popularidad de cada vez más servicios legales.

Sin duda, ninguna persecución ni medida represiva ha hecho tanto por la disminución de las descargas irregulares de contenidos como el desarrollo de servicios como Netflix, Spotify, HBO Go y muchos otros. Sin embargo, y aunque sabemos desde hace tiempo que las descargas nunca fueron perjudiciales para nadie, la industria audiovisual sigue empeñada en verlas como a su auténtica bestia negra. De ahí que, ante la evidencia de que existe un límite al número de suscripciones que un usuario puede pagar si quiere acceder a contenidos de manera regular, y el temor a que una excesiva atomización de los servicios pudiese llevar a resucitar el hábito de recurrir a repositorios irregulares, el desarrollo de este tipo de servicios de agregación inteligente se convierta en sumamente importante. La consigna es que el usuario pague por consumir contenidos, aunque ese pago llegue a través de una compleja red de intermediarios.

Dos tendencias, por tanto, contrapuestas: por un lado, una atomización cada vez mayor de los servicios a medida que las barreras de entrada a la distribución se simplifican. Por otro, servicios de agregación como el presentado por Google, que tratan de hacer fácil al usuario el acceso a los contenidos incluidos en esos servicios, para evitar que, ante la confusión y la incomodidad, termine cayendo en la tentación de recurrir de nuevo a las plataformas irregulares. Viniendo de donde vienen, la industria tiene claro lo que quiere, pero también lo que no quiere: veremos si una industria tradicionalmente analógica ha sabido evolucionar hacia lo digital como para gestionarlo adecuadamente.

 

IMAGE: Alhovik - 123RFAmazon y Apple entran en la puja por los derechos de las próximas películas de James Bond, compitiendo con jugadores tradicionales como Sony, Universal o Fox, y posiblemente dispuestas, según The  Hollywood Reporter, a pagar cantidades similares o posiblemente mayores. Es muy pronto aún para saber si las negociaciones fructificarán o no, pero si finalmente Apple o Amazon se hiciesen con los derechos de la megafranquicia, podríamos estar hablando de un cambio muy importante en la forma en que se distribuyen las grandes producciones, y de nuevos jugadores dispuestos a hacer las cosas de otra manera

¿Qué ocurre cuando las grandes compañías tecnológicas comienzan a plantearse irrumpir en el mercado de los contenidos y de su distribución, o cuando son compañías tecnológicas y no cadenas tradicionales las que comienzan a llevarse los premios que la propia industria otorga a las mejores producciones? Sencillamente, que estamos hablando de disrupción.

Disrupción es lo que ocurre cuando una compañía tecnológica, por el hecho de plantearse un mercado global, un canal de distribución ubicuo y una serie de modelos de negocio diferentes a los habituales en la industria, puede llegar a ofrecer mucho más dinero que una compañía tradicional de contenidos que enfoca su actividad en un mundo artificialmente dividido por ventanas geográficas de explotación. Una forma diferente de plantearse el negocio, con infinitas posibilidades hasta el momento escasamente desarrolladas. La mayor parte de los actores tradicionales que conocemos en el mundo de la producción y distribución audiovisual responden a esquemas que eran válidos el siglo pasado, en un mundo en el que compañías como YouTube, Amazon o Netflix no existían, en el que Apple se dedicaba únicamente a fabricar ordenadores, y en el que los derechos se negociaban región a región, país a país o soporte a soporte. El planteamiento de las compañías tecnológicas es, en ese sentido, completamente diferente, y eso las lleva a poder competir de una manera potencialmente mucho más eficiente.

La televisión tradicional únicamente mantiene su atractivo entre los mayores de 65 años. El resto del abanico sociodemográfico consume sus contenidos de otra manera. Los eventos en vivo son prácticamente lo único que sostiene a la llamada “appointment TV”. Predicción: en muy poco tiempo, los derechos de las grandes competiciones deportivas y los eventos en directo ya no estarán en manos de cadenas de televisión tradicionales, sino de lo que hoy conocemos como compañías tecnológicas, dispuestas a pagar más en función de expectativas de monetización superiores. ¿Podemos, por ejemplo, imaginarnos los derechos globales de la liga de fútbol española, de la NBA o de otros deportes gestionados por Amazon o por Apple? Pues vayamos empezando a imaginarlo…