Otaku

Otaku despliega un modelo de suscripción gracias al sistema de personalización de contenidos desarrollado por Sciling

El manga y el anime han dejado de ser géneros propios de un pequeño grupo de seguidores aficionados a la cultura oriental para convertirse en un fenómeno mundial que acumula cada vez más adeptos. Este boom oriental en occidente ha llevado a la creación de numerosas páginas especializadas que rivalizan entre ellas para conseguir al mayor número posible de seguidores.

 

Otaku* es una de estas páginas. Se trata de una plataforma que ofrece cobertura total de lo último en anime, manga, juegos y cualquier otro tema que podamos imaginar relacionado con la cultura japonesa. No obstante, en el universo hipercompetitivo de las plataformas online, la calidad y la variedad de contenido ya no son suficientes para garantizar el éxito del modelo.

Llamémoslo como queramos – el «efecto Netflix» o «el efecto Amazon» – pero lo cierto es que los consumidores esperan cada vez más de cualquier experiencia el grado de hiperpersonalización que obtienen con estos y otros gigantes tecnológicos similares. Y esto es todavía más relevante en el caso de las experiencias digitales. El creador de Otaku era consciente de que el éxito de su modelo de negocio dependía de ser capaz de ofrecer la mejor experiencia posible a un usuario cada vez más exigente. La Inteligencia Artificial resultaría ser un pilar básico para alcanzar este objetivo.

*Nombre real protegido por contrato de confidencialidad.

Sobre el cliente:

Otaku es una plataforma social dirigida a los amantes del anime y del manga. A través de su sitio web o de su aplicación móvil, los fans de estos géneros pueden mantenerse actualizados sobre las últimas noticias, conocer a nuevos artistas, contribuir con contenidos, participar en foros y discusiones sobre la cultura oriental y conocer gente con los mismos intereses.

Haz click aquí para obtener una versión en PDF de nuestros casos de éxito.

El reto

Otaku, al igual que Spotify, opera bajo un modelo freemium. Es decir, se ofrecen servicios avanzados a los usuarios que pagan una cuota. Su creador comprendió que era crítico que, al igual que en el caso de su homólogo en el mundo de la música, conociese los gustos de sus usuarios mejor que nadie para ofrecerles el tipo de contenido que estaban buscando de manera rápida y fluída. Con más de 20 millones de publicaciones de muy diferente naturaleza, la personalización era fundamental para garantizar la participación y retención de los usuarios.

Podríamos decir que encontrar el contenido deseado entre 20 millones de opciones es el equivalente moderno a buscar una aguja en un pajar. Por ello, y nada más lanzar la plataforma, implementó un sistema de personalización de contenido. No obstante, tan solo cuatro años después este sistema se había vuelto inestable, consumía un 20 veces más memoria que al principio y necesitaba un complejo sistema de almacenamiento para funcionar.

Tras tres intentos fallidos de reemplazarlo por uno nuevo más fiable y acorde a sus necesidades actuales, el creador de Otaku prácticamente había abandonado la esperanza de encontrar una solución a su problema. “Habíamos invertido mucho tiempo y dinero, tanto en intentar crear un nuevo sistema de personalización como en mantener con vida el inicial. Pero lo único que habíamos conseguido era hacer el sistema todavía más complejo e inestable. El riesgo de que todo se viniese abajo como un castillo de naipes y dejase de funcionar por completo era cada vez más real. Estaba desesperado”.

No le faltaban motivos. La magnitud del problema era tal que, para el momento en el que Sciling terminó la implantación del nuevo sistema de personalización, el antiguo había quedado totalmente inoperativo.

Los requerimientos a los que se enfrentó el equipo de Sciling no eran para nada sencillos. El nuevo sistema tendría que enfrentarse a una base de datos de 950.000 usuarios, un catálogo de más de 20 millones de publicaciones y una concurrencia de 25 solicitudes por segundo con más de 800 millones de registros en la base de datos. Y esto todo corriendo en una máquina en local de tan solo 64GB de memoria RAM. “No iba a ser fácil, pero tampoco era la primera vez que nos enfrentábamos a unas condiciones tan ajustadas”, comenta Vicent Alabau, Director de Operaciones de Sciling.

“El equipo de Sciling me inspiró la confianza necesaria como para acometer un cuarto intento. Además, el enfoque ágil que siguen en el desarrollo de sus proyectos fue uno de los aspecto clave para convencer al resto de la junta directiva de que merecía la pena volver a intentarlo. Para mí era vital que este proyecto fuese un éxito. Después de tres intentos fallidos, me la estaba jugando ante mis socios proponiendo este último asalto. Mi credibilidad habría salido muy mal parada si algo salía mal. Pero con Sciling tenía claro que el riesgo de acometer este nuevo proyecto era infinitamente inferior que el riesgo de quedarnos sin servicio”, comenta el creador de Otaku.

Visión estratégica:

Para optimizar el sistema al máximo, se abordaron dos vías de optimización: computacional y algorítmica. Por una parte, el sistema se implementó mediante redes neuronales para aprovechar el rendimiento superior de las unidades de procesamiento gráfico (GPUs). Por otra parte, se puso en marcha un sistema de agrupación de artículos para acelerar los procesos de búsqueda internos.

Nuestra solución

Desde la recopilación de requisitos hasta la integración completa con la base de datos de Otaku, pasando por el análisis de las diferentes opciones, Sciling llevó a cabo el proceso completo para reemplazar el viejo sistema de recomendación por uno nuevo mucho más robusto y que, además, mejora claramente los resultados obtenidos por el anterior. “La diferencia era tal que algunos de los usuarios nos preguntaban qué habíamos hecho. Pero lo más importante es que ya no teníamos que preocuparnos por dejarles sin servicio porque el sistema anterior había dejado de ser operativo de un día para otro”, afirma el creador de Otaku.

El nuevo sistema saca el máximo provecho de la infraestructura tecnológica del cliente utilizando cada una de las cuatro GPU para una tarea distinta: una GPU para el recomendador de artículo-artículo, una para el recomendador de artículo-usuario, una para reentrenar el modelo y otra para afinar el modelo. También se aprovechó la tecnología de agrupación en clústeres en GPU para garantizar las 25 solicitudes por segundo. “Nos las hemos ingeniado para que las limitadísimas especificaciones técnicas no condicionasen el resultado del proyecto. El nuevo sistema lleva un año en funcionamiento y no se ha caído ni una sola vez”, asegura Germán Sanchis, CEO de Sciling.

La puesta en marcha de este nuevo sistema de recomendación ha permitido a Otaku asegurar una cartera constante y fiel de clientes Premium, garantizando así la viabilidad de su modelo de negocio. De hecho, la personalización de contenidos es una de las características más valoradas de su servicio de suscripción que, hoy en día, acumula 7.600 usuarios fieles.

Pero no solo ha crecido el número de usuarios que consideran que los $10 mensuales que pagan por el paquete Premium son más que justos dado el valor que reciben. El resto de métricas del negocio también han mejorado. “El tiempo medio de la visita ha subido a caso 10 minutos y medio. ¡Estamos en niveles de Facebook!”, comentan desde el departamento de Analytics de Otaku.

950.000

Usuarios

20 Millones

De publicaciones

800 Millones

De registros

25

Solicitudes por segundo

Encontrar gente con talento dentro del mundo del desarrollo web es complicado, pero encontrarla en el ámbito del Machine Learning lo es mucho más. Y el equipo de Sciling ha demostrado tener mucho talento

Otaku

¡Guau, amigo! ¿Qué habéis hecho? ¡Esto es asombroso!

Usuario de la plataforma

La aproximación ágil que sigue Sciling fue un valor clave. Su análisis de riesgos y opciones inicial me ayudó a reducir la incertidumbre de la junta directiva y a conseguir que diesen luz verde a este proyecto

Otaku

El proceso de implementación

Para saber si la tecnología desarrollada cumpliría o no con las necesidades del negocio, era muy importante entender cómo funcionaría Snorble en un entorno real. Además, en el caso de una startup el tiempo siempre corre en contra, por lo que determinar qué aspectos técnicos debían ser testados sí o sí en la prueba de concepto era clave. “La comunicación fluída que mantuvimos con el equipo de Sciling en todo momento y su capacidad de comprender el negocio e identificar sus aspectos más relevantes nos permitieron desarrollar un primer prototipo robusto y en un tiempo récord”, comenta Mike.

Sciling es consciente de que para un emprendedor como Mike es vital no solo ser capaz de validar una idea de manera sólida y demostrarlo a otros, sino alinear todos sus esfuerzos con los requisitos del negocio para optimizar la asignación de recursos y capital. Por ello, se aseguraron de minimizar al máximo el riesgo tecnológico del proyecto incluyendo los aspectos más importantes en la prueba de concepto desarrollada. “Sciling no solo me ha ayudado a reducir la incertidumbre, sino a ahorrar tiempo y dinero, lo que ha permitido materializar mi idea”, asegura Mike.

Tecnologías empleadas
1

Sistemas de Recomendación y Analítica Predictiva

Para asociar imágenes a usuarios
2

Redes Neuronales

Para predecir las calificaciones del usuario
3

MXNet

Para entrenar e implementar las redes neurales
4

Microservicios con Docker

Para crear una solución end-to-end

¿Por qué nosotros?

  •  Tenemos amplia experiencia en el desarrollo de sistemas de recomendación.
  • Llevamos años ayudando a empresas de todos los sectores a asegurar la viabilidad de su modelo de negocio.
  • Contamos con un equipo de investigadores acostumbrados a llevar la tecnología más allá de los límites existentes.
  • Contamos con más de 15 años de experiencia en el desarrollo de proyectos relacionados con la investigación y aplicación de Aprendizaje Automático