SlideShare una empresa de Scribd logo
1 de 10
Descargar para leer sin conexión
Caso Netflix
Analítica en Películas y Series de
Televisión
¿Que es Netflix?

•
•
•
•
•

Netflix es un servicio de Video por Suscripción por una cuota mensual.
Servicio de streaming de películas y series de televisión.
Netflix tiene más de 40 Millones de Suscriptores a nivel mundial.
www.netflix.com
La compañía es un referente en el uso de Big Data para la toma de decisiones.

2
¿Que Data Recoge Netflix?
1.
2.

Pausas, Retroceso, adelantos, etc.
Contenido: Series, Películas,
Documentales, Infantiles, etc.
3. Fecha de la Vista
4. Hora de la Vista
5. Ubicación Geográfica
6. Dispositivo de Uso
7. Rating
8. Busquedas
9. Explorador
10. Scrolling

3
¿Cómo utilizan la data?

¿Cuántos usuarios terminan de ver las 3 primeras temporadas?
70% de usuarios llegan a completar las tres primeras temporadas.
¿Qué sucede con el resto de usuarios?

4
Algoritmo de Recomendación
•
•
•
•

•

¿Qué es lo próximo que le gustaría ver
al usuario?
75% de la actividad de los usuarios se
debe al algoritmo de recomendación.
Netflix emplea más de 800
desarrolladores.
El algoritmo evoluciona de acuerdo a
los
nuevos
productos
y
el
comportamiento de los usuarios.
Resultados: Menor número de
usuarios que cancelan su suscripción

5
Similaridad
•
•

•
•

Identifica las películas o series que
pueden tener contenido similar.
Utiliza información de la metadata de
la película, rating, data de
visualizaciones.
Se puede utilizar estos conceptos en
otros modelos.
Se puede utilizar en diferentes
contextos:
– Cuando el usuario realiza una
búsqueda de un titulo.
– Cuando decide añadir títulos a la
cola.
– Listas personalizadas.

6
House of Cards

7
House of Cards
• En 2011 Netflix tomó la decisión más importante de su historia. Producir o
no una Nueva serie Televisiva: House of Cards.
• La propuesta inicial eran Dos temporadas de 13 capítulos por cada una con
un costo aproximado de 4 Millones de dólares por capítulo. Más de 100
millones de Dolares en inversión.

Tenemos un alto grado de confianza en [House of Cards] basado en el director,
el productor y las estrellas .... No tenemos que gastar millones para que la gente
sintonice en esto. A través de nuestros algoritmos, podemos determinar a
quienes podía interesarle Kevin Spacey o un drama político y decirles:

«Es posible que desee ver esto»

8
House of Cards
• Se realizaron 10 diferentes trailers
para promocionar la película. Cada
una para un público diferente.
– Usuarios que anteriormente habían visto
muchos films de Kevin Spacey se le
mostraba el trailer con el actor como
protagonista.
– Usuarios que anteriormente habían visto
films con mujeres como protagonistas. Se
mencionaba a mujeres dentro de la serie.
– Etc.

http://www.youtube.com/watch?v=ULwUzF1q5w4 - Official
http://www.youtube.com/watch?v=HsN0Ze9Vwso - Levantar el Velo
http://www.youtube.com/watch?v=Vx_LwDiXeJE - Dolor

9
House of Cards
• Atrajo más de 2 millones de nuevos suscriptores.
• Redujo el ratio de cancelación en 86%
• Sólo el 35% de las series que se producen en TV continúan otra
temporada. Para el caso de Netflix el 70% de sus series
continúan.

http://blog.kissmetrics.com/how-netflix-uses-analytics/

10

Más contenido relacionado

La actualidad más candente

Liderazgo De Costos Kola Real
Liderazgo De Costos  Kola RealLiderazgo De Costos  Kola Real
Liderazgo De Costos Kola Real
Ivan Vega Becerra
 
Plan de marketing vi
Plan de marketing viPlan de marketing vi
Plan de marketing vi
Rond Cardenas
 
89859892 caso-de-estudio-pollo-campero
89859892 caso-de-estudio-pollo-campero89859892 caso-de-estudio-pollo-campero
89859892 caso-de-estudio-pollo-campero
Carlos Morales Delgado
 
Estructura del capital 1.1
Estructura del capital 1.1Estructura del capital 1.1
Estructura del capital 1.1
alejandromomo
 

La actualidad más candente (20)

Red Lobster
Red LobsterRed Lobster
Red Lobster
 
Liderazgo De Costos Kola Real
Liderazgo De Costos  Kola RealLiderazgo De Costos  Kola Real
Liderazgo De Costos Kola Real
 
Plan Marketing Digital Airbnb
Plan Marketing Digital AirbnbPlan Marketing Digital Airbnb
Plan Marketing Digital Airbnb
 
Netflix - Estrategias Promocionales
Netflix - Estrategias PromocionalesNetflix - Estrategias Promocionales
Netflix - Estrategias Promocionales
 
tf blockbuster-4-pdf-free
tf blockbuster-4-pdf-freetf blockbuster-4-pdf-free
tf blockbuster-4-pdf-free
 
Plan de marketing vi
Plan de marketing viPlan de marketing vi
Plan de marketing vi
 
Caso bimbo
Caso bimboCaso bimbo
Caso bimbo
 
89859892 caso-de-estudio-pollo-campero
89859892 caso-de-estudio-pollo-campero89859892 caso-de-estudio-pollo-campero
89859892 caso-de-estudio-pollo-campero
 
Ejemplo De Analisis de Porter
Ejemplo De Analisis de PorterEjemplo De Analisis de Porter
Ejemplo De Analisis de Porter
 
Unidad 2: Desarrollo de nuevos productos
Unidad 2: Desarrollo de nuevos productosUnidad 2: Desarrollo de nuevos productos
Unidad 2: Desarrollo de nuevos productos
 
ALICORP Y SU ESTRATEGIA TECNOLÓGICA
ALICORP Y SU ESTRATEGIA TECNOLÓGICAALICORP Y SU ESTRATEGIA TECNOLÓGICA
ALICORP Y SU ESTRATEGIA TECNOLÓGICA
 
Modelo de Negocio Cinepolis
Modelo de Negocio CinepolisModelo de Negocio Cinepolis
Modelo de Negocio Cinepolis
 
PRECIO
PRECIOPRECIO
PRECIO
 
Estudio de caso apple
Estudio de caso appleEstudio de caso apple
Estudio de caso apple
 
CBN trabajo.docx
CBN trabajo.docxCBN trabajo.docx
CBN trabajo.docx
 
Coeficiente beta
Coeficiente betaCoeficiente beta
Coeficiente beta
 
Matriz bcg
Matriz bcgMatriz bcg
Matriz bcg
 
Estructura del capital 1.1
Estructura del capital 1.1Estructura del capital 1.1
Estructura del capital 1.1
 
Analisis Integral Empresarial Alicorp
Analisis Integral Empresarial AlicorpAnalisis Integral Empresarial Alicorp
Analisis Integral Empresarial Alicorp
 
Costo de Capital
Costo de CapitalCosto de Capital
Costo de Capital
 

Destacado (6)

Planificación de medios online: Netflix
Planificación de medios online: NetflixPlanificación de medios online: Netflix
Planificación de medios online: Netflix
 
Netflix Plan de negocio con DAFO
Netflix Plan de negocio con DAFONetflix Plan de negocio con DAFO
Netflix Plan de negocio con DAFO
 
Netflix
NetflixNetflix
Netflix
 
Netflix
NetflixNetflix
Netflix
 
Brief de marketing
Brief de marketingBrief de marketing
Brief de marketing
 
Netflix marketing plan
Netflix marketing plan Netflix marketing plan
Netflix marketing plan
 

Similar a Caso netflix

IE P1 T1.pdf
IE P1 T1.pdfIE P1 T1.pdf
IE P1 T1.pdf
AlexRuz6
 
Análisis del timeshift
Análisis del timeshiftAnálisis del timeshift
Análisis del timeshift
Zenith España
 

Similar a Caso netflix (20)

Protocolo 2 (3)
Protocolo 2 (3)Protocolo 2 (3)
Protocolo 2 (3)
 
Foro 2
Foro 2Foro 2
Foro 2
 
Protocolo
ProtocoloProtocolo
Protocolo
 
Protocolo
ProtocoloProtocolo
Protocolo
 
casos mate.docx.pdf
casos mate.docx.pdfcasos mate.docx.pdf
casos mate.docx.pdf
 
Martinez marino gina_yorsfany_1002_archivo
Martinez marino gina_yorsfany_1002_archivoMartinez marino gina_yorsfany_1002_archivo
Martinez marino gina_yorsfany_1002_archivo
 
Big Data y sistemas de recomendación. Así cocina Netflix lo que nos gusta
Big Data y sistemas de recomendación. Así cocina Netflix lo que nos gustaBig Data y sistemas de recomendación. Así cocina Netflix lo que nos gusta
Big Data y sistemas de recomendación. Así cocina Netflix lo que nos gusta
 
netflix gratis 2015
netflix gratis 2015netflix gratis 2015
netflix gratis 2015
 
Presentacion netflix
Presentacion netflixPresentacion netflix
Presentacion netflix
 
Netflix Grupo: Los Uno
Netflix      Grupo: Los UnoNetflix      Grupo: Los Uno
Netflix Grupo: Los Uno
 
IE P1 T1.pdf
IE P1 T1.pdfIE P1 T1.pdf
IE P1 T1.pdf
 
Netflix
NetflixNetflix
Netflix
 
Netflix & Spotify
Netflix & SpotifyNetflix & Spotify
Netflix & Spotify
 
CD1 U2.1 | Postbroadcasting
CD1 U2.1 | Postbroadcasting CD1 U2.1 | Postbroadcasting
CD1 U2.1 | Postbroadcasting
 
xxxs3.pdf
xxxs3.pdfxxxs3.pdf
xxxs3.pdf
 
Tv generalista, temática y convergente con internet 2
Tv generalista, temática y convergente con internet 2Tv generalista, temática y convergente con internet 2
Tv generalista, temática y convergente con internet 2
 
Análisis del timeshift
Análisis del timeshiftAnálisis del timeshift
Análisis del timeshift
 
Malviviendo
MalviviendoMalviviendo
Malviviendo
 
Netflix.pdf
Netflix.pdfNetflix.pdf
Netflix.pdf
 
Actividad 1 unidad 3
Actividad 1 unidad 3Actividad 1 unidad 3
Actividad 1 unidad 3
 

Más de DMC Perú

Más de DMC Perú (20)

DMC Talk - Blockchain Stamping
DMC Talk - Blockchain StampingDMC Talk - Blockchain Stamping
DMC Talk - Blockchain Stamping
 
DMC Talk - Presentacion Voicebots
DMC Talk - Presentacion VoicebotsDMC Talk - Presentacion Voicebots
DMC Talk - Presentacion Voicebots
 
Perfiles profesionales en analytics - DMC Perú
Perfiles profesionales en analytics - DMC Perú Perfiles profesionales en analytics - DMC Perú
Perfiles profesionales en analytics - DMC Perú
 
Sistema recomendador - DMC 2018
Sistema recomendador - DMC 2018Sistema recomendador - DMC 2018
Sistema recomendador - DMC 2018
 
Democratización de ciencia de datos
Democratización de ciencia de datosDemocratización de ciencia de datos
Democratización de ciencia de datos
 
Big data y Marketing digital
Big data y Marketing digitalBig data y Marketing digital
Big data y Marketing digital
 
Relación Entre Big Data, Data Mining y Estadística
Relación Entre Big Data, Data Mining y EstadísticaRelación Entre Big Data, Data Mining y Estadística
Relación Entre Big Data, Data Mining y Estadística
 
Relación Entre Big Data, Data Mining y Estadística
Relación Entre Big Data, Data Mining y EstadísticaRelación Entre Big Data, Data Mining y Estadística
Relación Entre Big Data, Data Mining y Estadística
 
Soluciones de Big Data en el Entorno Analítico de SAS
Soluciones de Big Data en el Entorno Analítico de SASSoluciones de Big Data en el Entorno Analítico de SAS
Soluciones de Big Data en el Entorno Analítico de SAS
 
Big Data Analytics: Automatización de Modelos Predictivos
Big Data Analytics: Automatización de Modelos PredictivosBig Data Analytics: Automatización de Modelos Predictivos
Big Data Analytics: Automatización de Modelos Predictivos
 
Evolución de Herramientas de BI hacia el Entorno BigData
Evolución de Herramientas de BI hacia el Entorno BigDataEvolución de Herramientas de BI hacia el Entorno BigData
Evolución de Herramientas de BI hacia el Entorno BigData
 
Métodos Predictivos: Aplicación a la Detección de Fraudes en Tarjetas De Crédito
Métodos Predictivos: Aplicación a la Detección de Fraudes en Tarjetas De CréditoMétodos Predictivos: Aplicación a la Detección de Fraudes en Tarjetas De Crédito
Métodos Predictivos: Aplicación a la Detección de Fraudes en Tarjetas De Crédito
 
La Modelización Predictiva como Herramienta de Innovación
La Modelización Predictiva como Herramienta de InnovaciónLa Modelización Predictiva como Herramienta de Innovación
La Modelización Predictiva como Herramienta de Innovación
 
Nuevos Enfoques del Business Analytics: "Faster Prediction, Better Decision"
Nuevos Enfoques del Business Analytics: "Faster Prediction, Better Decision"Nuevos Enfoques del Business Analytics: "Faster Prediction, Better Decision"
Nuevos Enfoques del Business Analytics: "Faster Prediction, Better Decision"
 
Plataformas Analíticas como Soporte en la Era del Big Data
Plataformas Analíticas como Soporte en la Era del Big DataPlataformas Analíticas como Soporte en la Era del Big Data
Plataformas Analíticas como Soporte en la Era del Big Data
 
Del Business Intelligence al Big Data
Del Business Intelligence al Big DataDel Business Intelligence al Big Data
Del Business Intelligence al Big Data
 
BigDataSummitPeru - Big Data y Hadoop
BigDataSummitPeru - Big Data y HadoopBigDataSummitPeru - Big Data y Hadoop
BigDataSummitPeru - Big Data y Hadoop
 
Text Mining: Segmentaciónd de Usuarios de Twitter. Lima Metropolitana.
Text Mining: Segmentaciónd de Usuarios de Twitter. Lima Metropolitana.Text Mining: Segmentaciónd de Usuarios de Twitter. Lima Metropolitana.
Text Mining: Segmentaciónd de Usuarios de Twitter. Lima Metropolitana.
 
Web Mining
Web MiningWeb Mining
Web Mining
 
Tendencias Recientes en Data Mining
Tendencias Recientes en Data MiningTendencias Recientes en Data Mining
Tendencias Recientes en Data Mining
 

Último

Comparativo DS 024-2016-EM vs DS 023-2017-EM - 21.08.17 (1).pdf
Comparativo DS 024-2016-EM vs DS 023-2017-EM - 21.08.17 (1).pdfComparativo DS 024-2016-EM vs DS 023-2017-EM - 21.08.17 (1).pdf
Comparativo DS 024-2016-EM vs DS 023-2017-EM - 21.08.17 (1).pdf
AJYSCORP
 
senati-powerpoint_5TOS-_ALUMNOS (1).pptx
senati-powerpoint_5TOS-_ALUMNOS (1).pptxsenati-powerpoint_5TOS-_ALUMNOS (1).pptx
senati-powerpoint_5TOS-_ALUMNOS (1).pptx
nathalypaolaacostasu
 
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdf
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdfSENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdf
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdf
JaredQuezada3
 
3ro - Semana 1 (EDA 2) 2023 (3).ppt. edx
3ro - Semana 1 (EDA 2) 2023 (3).ppt. edx3ro - Semana 1 (EDA 2) 2023 (3).ppt. edx
3ro - Semana 1 (EDA 2) 2023 (3).ppt. edx
Evafabi
 

Último (20)

Las sociedades anónimas en el Perú , de acuerdo a la Ley general de sociedades
Las sociedades anónimas en el Perú , de acuerdo a la Ley general de sociedadesLas sociedades anónimas en el Perú , de acuerdo a la Ley general de sociedades
Las sociedades anónimas en el Perú , de acuerdo a la Ley general de sociedades
 
Sostenibilidad y continuidad huamcoli robin-cristian.pptx
Sostenibilidad y continuidad huamcoli robin-cristian.pptxSostenibilidad y continuidad huamcoli robin-cristian.pptx
Sostenibilidad y continuidad huamcoli robin-cristian.pptx
 
Caja nacional de salud 0&!(&:(_5+:;?)8-!!(
Caja nacional de salud 0&!(&:(_5+:;?)8-!!(Caja nacional de salud 0&!(&:(_5+:;?)8-!!(
Caja nacional de salud 0&!(&:(_5+:;?)8-!!(
 
Distribuciones de frecuencia cuarto semestre
Distribuciones de frecuencia cuarto semestreDistribuciones de frecuencia cuarto semestre
Distribuciones de frecuencia cuarto semestre
 
liderazgo guia.pdf.............................
liderazgo guia.pdf.............................liderazgo guia.pdf.............................
liderazgo guia.pdf.............................
 
DECRETO-2535-DE-1993-pdf.pdf VIGILANCIA PRIVADA
DECRETO-2535-DE-1993-pdf.pdf VIGILANCIA PRIVADADECRETO-2535-DE-1993-pdf.pdf VIGILANCIA PRIVADA
DECRETO-2535-DE-1993-pdf.pdf VIGILANCIA PRIVADA
 
Maria_diaz.pptx mapa conceptual gerencia industral
Maria_diaz.pptx mapa conceptual   gerencia industralMaria_diaz.pptx mapa conceptual   gerencia industral
Maria_diaz.pptx mapa conceptual gerencia industral
 
2 Tipo Sociedad comandita por acciones.pptx
2 Tipo Sociedad comandita por acciones.pptx2 Tipo Sociedad comandita por acciones.pptx
2 Tipo Sociedad comandita por acciones.pptx
 
____ABC de las constelaciones con enfoque centrado en soluciones - Gabriel de...
____ABC de las constelaciones con enfoque centrado en soluciones - Gabriel de...____ABC de las constelaciones con enfoque centrado en soluciones - Gabriel de...
____ABC de las constelaciones con enfoque centrado en soluciones - Gabriel de...
 
Comparativo DS 024-2016-EM vs DS 023-2017-EM - 21.08.17 (1).pdf
Comparativo DS 024-2016-EM vs DS 023-2017-EM - 21.08.17 (1).pdfComparativo DS 024-2016-EM vs DS 023-2017-EM - 21.08.17 (1).pdf
Comparativo DS 024-2016-EM vs DS 023-2017-EM - 21.08.17 (1).pdf
 
senati-powerpoint_5TOS-_ALUMNOS (1).pptx
senati-powerpoint_5TOS-_ALUMNOS (1).pptxsenati-powerpoint_5TOS-_ALUMNOS (1).pptx
senati-powerpoint_5TOS-_ALUMNOS (1).pptx
 
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdf
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdfSENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdf
SENTENCIA COLOMBIA DISCRIMINACION SELECCION PERSONAL.pdf
 
Manual de Imagen Personal y uso de uniformes
Manual de Imagen Personal y uso de uniformesManual de Imagen Personal y uso de uniformes
Manual de Imagen Personal y uso de uniformes
 
DISEÑO DE ESTRATEGIAS EN MOMENTOS DE INCERTIDUMBRE
DISEÑO DE ESTRATEGIAS EN MOMENTOS DE INCERTIDUMBREDISEÑO DE ESTRATEGIAS EN MOMENTOS DE INCERTIDUMBRE
DISEÑO DE ESTRATEGIAS EN MOMENTOS DE INCERTIDUMBRE
 
Analisis del art. 37 de la Ley del Impuesto a la Renta
Analisis del art. 37 de la Ley del Impuesto a la RentaAnalisis del art. 37 de la Ley del Impuesto a la Renta
Analisis del art. 37 de la Ley del Impuesto a la Renta
 
2024 - 04 PPT Directiva para la formalizacion, sustento y registro del gasto ...
2024 - 04 PPT Directiva para la formalizacion, sustento y registro del gasto ...2024 - 04 PPT Directiva para la formalizacion, sustento y registro del gasto ...
2024 - 04 PPT Directiva para la formalizacion, sustento y registro del gasto ...
 
Fabricación de Cremas en Industria Farmacéutica
Fabricación de Cremas en Industria FarmacéuticaFabricación de Cremas en Industria Farmacéutica
Fabricación de Cremas en Industria Farmacéutica
 
3ro - Semana 1 (EDA 2) 2023 (3).ppt. edx
3ro - Semana 1 (EDA 2) 2023 (3).ppt. edx3ro - Semana 1 (EDA 2) 2023 (3).ppt. edx
3ro - Semana 1 (EDA 2) 2023 (3).ppt. edx
 
4 Tipos de Empresa Sociedad colectiva.pptx
4 Tipos de Empresa Sociedad colectiva.pptx4 Tipos de Empresa Sociedad colectiva.pptx
4 Tipos de Empresa Sociedad colectiva.pptx
 
Presentacion encuentra tu creatividad papel azul.pdf
Presentacion encuentra tu creatividad papel azul.pdfPresentacion encuentra tu creatividad papel azul.pdf
Presentacion encuentra tu creatividad papel azul.pdf
 

Caso netflix

  • 1. Caso Netflix Analítica en Películas y Series de Televisión
  • 2. ¿Que es Netflix? • • • • • Netflix es un servicio de Video por Suscripción por una cuota mensual. Servicio de streaming de películas y series de televisión. Netflix tiene más de 40 Millones de Suscriptores a nivel mundial. www.netflix.com La compañía es un referente en el uso de Big Data para la toma de decisiones. 2
  • 3. ¿Que Data Recoge Netflix? 1. 2. Pausas, Retroceso, adelantos, etc. Contenido: Series, Películas, Documentales, Infantiles, etc. 3. Fecha de la Vista 4. Hora de la Vista 5. Ubicación Geográfica 6. Dispositivo de Uso 7. Rating 8. Busquedas 9. Explorador 10. Scrolling 3
  • 4. ¿Cómo utilizan la data? ¿Cuántos usuarios terminan de ver las 3 primeras temporadas? 70% de usuarios llegan a completar las tres primeras temporadas. ¿Qué sucede con el resto de usuarios? 4
  • 5. Algoritmo de Recomendación • • • • • ¿Qué es lo próximo que le gustaría ver al usuario? 75% de la actividad de los usuarios se debe al algoritmo de recomendación. Netflix emplea más de 800 desarrolladores. El algoritmo evoluciona de acuerdo a los nuevos productos y el comportamiento de los usuarios. Resultados: Menor número de usuarios que cancelan su suscripción 5
  • 6. Similaridad • • • • Identifica las películas o series que pueden tener contenido similar. Utiliza información de la metadata de la película, rating, data de visualizaciones. Se puede utilizar estos conceptos en otros modelos. Se puede utilizar en diferentes contextos: – Cuando el usuario realiza una búsqueda de un titulo. – Cuando decide añadir títulos a la cola. – Listas personalizadas. 6
  • 8. House of Cards • En 2011 Netflix tomó la decisión más importante de su historia. Producir o no una Nueva serie Televisiva: House of Cards. • La propuesta inicial eran Dos temporadas de 13 capítulos por cada una con un costo aproximado de 4 Millones de dólares por capítulo. Más de 100 millones de Dolares en inversión. Tenemos un alto grado de confianza en [House of Cards] basado en el director, el productor y las estrellas .... No tenemos que gastar millones para que la gente sintonice en esto. A través de nuestros algoritmos, podemos determinar a quienes podía interesarle Kevin Spacey o un drama político y decirles: «Es posible que desee ver esto» 8
  • 9. House of Cards • Se realizaron 10 diferentes trailers para promocionar la película. Cada una para un público diferente. – Usuarios que anteriormente habían visto muchos films de Kevin Spacey se le mostraba el trailer con el actor como protagonista. – Usuarios que anteriormente habían visto films con mujeres como protagonistas. Se mencionaba a mujeres dentro de la serie. – Etc. http://www.youtube.com/watch?v=ULwUzF1q5w4 - Official http://www.youtube.com/watch?v=HsN0Ze9Vwso - Levantar el Velo http://www.youtube.com/watch?v=Vx_LwDiXeJE - Dolor 9
  • 10. House of Cards • Atrajo más de 2 millones de nuevos suscriptores. • Redujo el ratio de cancelación en 86% • Sólo el 35% de las series que se producen en TV continúan otra temporada. Para el caso de Netflix el 70% de sus series continúan. http://blog.kissmetrics.com/how-netflix-uses-analytics/ 10