The New York Times lanzó su muro de pago en marzo de 2011, comenzando su camino como un servicio de noticias y estilo de vida que da prioridad a la suscripción. Desde su inicio, este servicio de acceso «medido» ha sido diseñado para que los no suscriptores puedan leer un número fijo de artículos cada mes antes de encontrarse con un paywall; este límite de artículos es ampliamente conocido como el «límite del medidor.» Esta estrategia ha tenido éxito a la hora de generar suscripciones y, al mismo tiempo, ha permitido el acceso exploratorio inicial a nuevos lectores. De hecho, en febrero de 2022, cuando The Times adquirió The Athletic Media Company, alcanzó su objetivo de 10 millones de suscripciones y estableció un nuevo objetivo de 15 millones de suscriptores para finales de 2027. Este éxito ha sido posible en parte gracias a las continuas mejoras en la estrategia del paywall a lo largo de los años. Cuando se lanzó el muro de pago, el límite del contador era el mismo para todos los usuarios. Sin embargo, a medida que The Times se ha ido transformando en una empresa digital basada en datos, ahora utilizan con éxito un modelo de aprendizaje automático causal llamado Dynamic Meter para establecer límites de contador personalizados y hacer que el paywall sea más inteligente.
La estrategia del muro de pago del New York Times
La estrategia del muro de pago de la empresa gira en torno al concepto de embudo de suscripción (figura 1). En la parte superior del embudo están los usuarios no registrados que aún no tienen una cuenta en el Times. Una vez que alcanzan el límite para su condición de no registrados, se les muestra un muro de registro que bloquea el acceso y les pide que se hagan una cuenta, o que se conecten si ya tienen una. Esto les da acceso a más contenidos gratuitos y, dado que su actividad está ahora vinculada a su ID de registro, permite conocer mejor su preferencia por los contenidos del Times. Esta información de los usuarios es valiosa para cualquier aplicación de aprendizaje automático y también para el Medidor Dinámico. Una vez que los usuarios registrados alcanzan el límite de su medidor, se les presenta un muro de pago con una oferta de suscripción. Es este momento el que controla el modelo del Medidor Dinámico. El modelo aprende de los datos de participación de los usuarios registrados y determina el límite de contador apropiado para optimizar uno o más K.P.I. (Key Performance Indicators) del negocio.
¿Para qué optimiza el contador dinámico?
El modelo de Contador Dinámico debe desempeñar una doble función. Debe apoyar la misión de ayudar a las personas a entender el mundo y el objetivo comercial de adquirir suscripciones. Esto se consigue optimizando dos métricas simultáneamente: el compromiso que los usuarios registrados tienen con el contenido del Times y el número de suscripciones que el muro de pago genera en un periodo de tiempo determinado. Estas dos métricas tienen una compensación inherente, ya que presentar más muros de pago conduce naturalmente a más suscripciones, pero a costa de la lectura de los artículos. Esta compensación es claramente visible en los datos recogidos por un Ensayo de Control Aleatorio (ECA), como se muestra en la Figura 2. A medida que aumenta el límite para los usuarios registrados, el compromiso medido por el número medio de páginas vistas es mayor. Esto va acompañado de una reducción de la tasa de conversión de las suscripciones, en gran medida porque un menor número de usuarios registrados se encuentra con el muro de pago. A la inversa, una mayor fricción debida a unos límites de contadores más estrictos también repercute en la habituación de los lectores y puede hacer que se interesen menos por nuestros contenidos. Esto, a su vez, afecta al potencial de convertirlos en suscriptores a largo plazo. En esencia, el Medidor Dinámico debe optimizar la conversión y el compromiso al tiempo que equilibra una compensación entre ambos.
El Medidor Dinámico es un modelo de aprendizaje automático prescriptivo
El objetivo del modelo es prescribir los límites del contador a partir de un conjunto limitado de opciones disponibles. Por lo tanto, el modelo debe realizar una acción que afecte al comportamiento del usuario e influya en el resultado, como su propensión a la suscripción y su compromiso con el contenido del Times. A diferencia de un modelo de aprendizaje automático predictivo, la verdad básica de los problemas prescriptivos rara vez se conoce. Es decir, digamos que a un usuario se le prescribió el límite de contador A, no sabemos qué habría pasado con este usuario si se le prescribiera un límite de contador B diferente durante el mismo periodo de tiempo. Este problema se denomina a veces «problema fundamental de la inferencia causal» o, más sencillamente, «problema de los datos perdidos». Lo mejor que podemos hacer es estimar lo que habría ocurrido utilizando los datos de otros usuarios a los que se les prescribió el límite de contador b. Esto pone de manifiesto la importancia de los datos recogidos de la R.C.T., ya que son esenciales para entrenar el modelo.
