Cerrar rápido.
Regresar y mirar.
Una plataforma de video para adultos (mayor de 18 años) con monetización por tiempo efectivo de visualización buscaba maximizar la permanencia y nivel de interacción sin recurrir a clickbait. Los usuarios abrían muchas pestañas al mismo tiempo, veían solo algunas y cerraban el resto, provocando sesiones cortas. El algoritmo priorizaba solo el clic (CTR) sin medir calidad ni saturación. Construimos un modelo de tab fatigue + control dinámico de saturación + diversidad por slot, basado en el análisis de millones de clics. *Se firmó un acuerdo de confidencialidad para mantener en privado la marca del proyecto hasta 2034.*
El caso, en cuatro frases.
Para los que llegaron desde LinkedIn y solo tienen 30 segundos. Si quieres profundidad, sigue scrolleando.
El usuario abre muchas pestañas. Mira pocas. Cierra rápido.
12-15 tabs abiertos en burst, solo 3-4 se reproducen, resto cerrados sin valor. Sesiones cortas, abandono alto, engagement degradado.
**El algoritmo solo optimizaba clics
no calidad de la cola. — El recommender clásico maximizaba CTR. Pero un clic que no se traduce en visualización es vanidad. Necesitábamos un modelo que entendiera el siguiente paso**.
Construimos un modelo de saturación + diversidad por slot.
Análisis de millones de clics → punto óptimo de tabs (umbral psicológico). Diversificación reduce fatiga. Cuando el usuario llega al umbral, la UI sugiere «regresar y mirar».
Resultado: +12% tiempo de visualización · −8% tabs vacíos · +7% retorno.
Un cambio de filosofía: de «más clics» a «mejor calidad de cola y mejor regreso».
Plataforma bajo NDA (industria +18) llegó con un problema medible.
- 01
Algoritmo CTR-first sin medir calidad
El recommender priorizaba contenido con alta tasa de clic. Pero un clic no es engagement — es solo el primer paso. La métrica estaba mal alineada con el negocio.
CTR ≠ engagement - 02
No existía modelo de saturación
El sistema no sabía cuándo el usuario ya había abierto suficientes tabs. Seguía recomendando más, llevando al punto de fatiga sin retorno.
0 saturation cap - 03
Diversidad no gestionada
Los slots top mostraban contenido similar entre sí. Si el usuario no enganchaba con el primero, probablemente no engancharía con el segundo. Fatiga visual.
monotonía → fatiga - 04
Tabs sin reproducir consumían capacidad cognitiva
Cada tab abierta y no reproducida representa una decisión fallida. A escala: el 60-70% de tabs no se reproducían. Costo cognitivo alto, retorno bajo.
60-70% tabs vacías - 05
Sesiones cortas a pesar de catálogo grande
Plataforma con millones de horas de contenido, pero sesión media corta. El problema no era contenido — era organización del descubrimiento.
catálogo abundante · sesión escasa - 06
Sin A/B sobre estructura visual
Cambios a la página principal se aplicaban a todos sin medición rigurosa. No había forma de saber si una grilla 3×4 vs 4×3 funcionaba mejor.
0 A/B estructura - 07
Métricas mal alineadas con monetización
Reporte de éxito = clics. Pero la monetización (ad views + retention) dependía de tiempo efectivo. Optimizaban una cosa, ganaban dinero por otra.
CTR vs revenue mismatch
Lo que construimos.
No reemplazamos lo que ya funcionaba. Construimos capas finas que comunicaron sistemas ciegos entre sí.
Recommender con diversidad-awareness
El sistema asigna a cada slot top un score combinado de: probabilidad de clic + probabilidad de visualización efectiva + diversidad vs slots adyacentes. Cola heterogénea, menos fatiga visual.
Saturation signal · UI cambia con el umbral
A partir del Nth tab abierto (umbral aprendido), la UI sugiere regresar a las pestañas abiertas en lugar de abrir nuevas. CTA cambia de «descubrir más» a «mirar las que abriste».
A/B platform · estructura + algoritmo
Cada cambio de grid, cada nueva regla de saturación, cada algoritmo se lanza como A/B con segmento, criterio (tiempo efectivo, no CTR), días, decisión.
Exec analytics · métricas alineadas con monetización
KPIs reales: tiempo de visualización efectiva, retorno a tabs previos, ratio de tabs reproducidas. CTR todavía visible, pero como métrica secundaria.
Stack y capas.
stack: ClickHouse · LightGBM custom · A/B framework · Feature flags · Embedding diversity scorer · Anonymous cohort tagging
Captura
Procesamiento
Almacenamiento
Superficies
Los números.
Medidos por el equipo del cliente, no por nosotros. Comparativa: baseline previo al go-live.
«Cambiamos qué optimiza el algoritmo: de «siguiente clic» a «siguiente reproducción efectiva». Es una decisión política, no técnica.»
Lo que aprendimos — y aplicamos en el siguiente caso.
Optimizar para CTR es optimizar para arrepentimiento.
El clic es la métrica más fácil de mover y la peor correlacionada con valor real cuando el negocio se monetiza por tiempo de atención. CTR aprende a recomendar miniaturas llamativas que producen clics + cierres rápidos — exactamente el comportamiento que destruye el negocio.
El umbral de saturación existe — y es aprendible.
Hay un número óptimo de tabs por cohorte (7-9 en promedio, variable). Más allá, el usuario satura. Sin un modelo que detecte ese umbral, el sistema sigue empujando «descubrir más» cuando ya debería sugerir «regresar y mirar».
Cuando la métrica de adquisición ≠ métrica de valor, la optimización ingenua sale cara.
Tab fatigue es un caso particular de un principio general. «Valor» se mide solo con eventos posteriores al clic. Si tu KPI es CTR pero monetizas por tiempo, estás optimizando contra tu propio negocio.
¿Te suena familiar? Hablemos.
No vendemos software de plantilla. Empezamos siempre con una auditoría gratis de 4 semanas: nos sentamos con tu equipo, mapeamos sistemas y dolores, y entregamos un PDF con 3–5 quick wins concretas.