"Modelo de pronóstico de rating para un canal de televisión abierta"

Abstract

En la industria de la televisión uno de los principales objetivos es la generación y difusión de contenidos de calidad para capturar la mayor cantidad de audiencia posible, esto debido a que el modelo de negocio de esta industria se sustenta en la cantidad de personas que están visualizando la transmisión a lo largo del día y en la cantidad de espacios publicitarios que logran vender. Los espacios publicitarios a su vez son adquiridos por empresas quienes tienen la necesidad de promocionar y posicionar sus diferentes productos o servicios. El indicador universal para medir audiencia es el rating, siendo este utilizado para tomar decisiones operativas, tácticas y estratégicas dentro de un canal de televisión. Desde la planificación estratégica, este indicador guía los esfuerzos y define objetivos, siendo también parte del monitoreo y control de distintos equipos, evaluando el desempeño de áreas comerciales o de contenido. Por tanto, tener una estimación precisa del rating se transforma en una tarea fundamental. En este contexto, se presenta el desarrollo de un modelo predictivo que permita pronosticar el rating futuro de un canal nacional de televisión abierta, para dos segmentos de público de interés mediante un modelo de machine learning, evaluando su desempeño comparando el pronóstico con los resultados reales. Para este desarrollo, se consideran una serie de variables que incorporan varias dimensiones del problema, como, por ejemplo: a) el comportamiento histórico del rating del canal y de su competencia mediante series de tiempo, b) variables que caracterizan el contenido de cada programa, como el género y subgénero, y c) variables que caracterizan la metadata del calendario en el cual se emite el contenido. En relación con el modelo, algoritmo predictivo y resultados, se comparó empíricamente la precisión del modelo de machine learning llamado XGBoost a través del MAPE, que consiste en un indicador de error para problemas de regresión la cual se compone del promedio de la diferencia porcentual en valor absoluto entre el rating real y el rating pronosticado. Finalmente, se presenta una comparación entre el modelo XGBoost con un modelo de regresión lineal con regularización llamada “Elastic Net”. En promedio, XGBoost alcanza un error de 10% para ambos públicos a nivel hora, en comparación con el otro modelo que muestra un error de alrededor de un 14% para ambos públicos. Además, se evalúan los resultados para 15 semanas para un conjunto de programas. Otros resultados consideran la interpretación del modelo encontrando que géneros deportivos tienen alto impacto o los días feriados, lo que implica una herramienta para la planificación de contenido y esfuerzo comercial del canal.