For over 4 years now, there has been a fierce fight for staying ahead in the so-called ”Streaming War”. The Covid-19 pandemic and its consequent confinement only worsened the situation. In such a market where the user is faced with too many streaming video services to choose from, retaining customers becomes a necessary must. Moreover, an extensive catalogue makes it even more difficult for the user to choose a movie from. Recommender Systems try to ease this task by analyzing the users’ interactions with the platform and predicting movies that, a priori, will be watched next. Neural Networks have started to be implemented as the underlying technology in the development of Recommender Systems. Yet, most streaming services fall victim to a highly uneven movies distribution, where a small fraction of their content is watched by most of their users, having the rest of their catalogue a limited number of views. This is the long-tail problem that makes for a difficult classification model. An RNN model was implemented to solve this problem. Following a multiple-experts classification strategy, where each classifier focuses only on a specific group of films, movies are clustered by popularity. These clusters were created following the Jenks natural breaks algorithm, clustering movies by minimizing the inner group variance and maximizing the outer group variance. This new implementation ended up outperforming other clustering methods, where the proposed Jenks’ movie clusters gave better results for the corresponding models. The model had, as input, an ordered stream of watched movies. An extra input variable, the date of the visualization, gave an increase in performance, being more noticeable in those clusters with a fewer amount of movies and more views, i.e., those clusters not corresponding to the least popular ones. The addition of an extra variable, the percent of movies watched, gave inconclusive results due to hardware limitations. / I över fyra år har det nu varit en hård kamp för att ligga i framkant i det så kallade ”Streaming kriget”. Covid-19-pandemin och den därpå följande karantänen förvärrade bara situationen. På en sådan marknad där användaren står inför alltför många streamingtjänster att välja mellan, blir kvarhållande av kunderna en nödvändighet. En omfattande katalog gör det dessutom ännu svårare för användaren att välja en film. Rekommendationssystem försöker underlätta denna uppgift genom att analysera användarnas interaktion med plattformen och förutsäga vilka filmer som kommer att ses härnäst. Neurala nätverk har börjat användas som underliggande teknik vid utvecklingen av rekommendationssystem. De flesta streamingtjänster har dock en mycket ojämn fördelning av filmerna, då en liten del av deras innehåll ses av de flesta av användarna, medan en stor del av deras katalog har ett begränsat antal visualiseringar. Detta så kallade ”Long Tail”-problem gör det svårt att skapa en klassificeringsmodell. En RNN-modell implementerades för att lösa detta problem. Genom att följa en klassificeringsstrategi med flera experter, där varje klassificerare endast fokuserar på en viss grupp av filmer, grupperas filmerna efter popularitet. Dessa kluster skapades enligt Jenks natural breaks-algoritm, som klustrar filmer genom att minimera variansen i den inre gruppen och maximera variansen i den yttre gruppen. Denna nya implementering överträffade till slut andra klustermetoder, där filmklustren föreslagna av Jenks gav bättre resultat för motsvarande modeller. Modellen hade som indata en ordnad ström av sedda filmer. En extra ingångsvariabel, datumet för visualiseringen, gav en ökning av prestandan, som var mer märkbar i de kluster med färre filmer och fler visualiseringar, dvs. de kluster som inte motsvarade de minst populära klustren. Tillägget av en extra variabel, procent av filmen som har setts, gav inte entydiga resultat på grund av hårdvarubegränsningar / Desde hace más de 4 años, se está librando una lucha encarnizada por mantenerse en cabeza en la llamada ”Guerra del Streaming”. La Covid-19 y su consiguiente confinamiento no han hecho más que empeorar la situación. En un mercado como éste, en el que el usuario se encuentra con demasiados servicios de vídeo en streaming entre los que elegir, retener a los clientes se convierte en una necesidad. Además, un catálogo extenso dificulta aún más la elección de una película por parte del usuario. Los sistemas de recomendación intentan facilitar esta tarea analizando las interacciones de los usuarios con la plataforma y predecir las películas que, a priori, se verán a continuación. Las Redes Neuronales han comenzado a implementarse como tecnología subyacente en el desarrollo de los sistemas de recomendación. Sin embargo, la mayoría de los servicios de streaming son víctimas de una distribución de películas muy desigual, en la que una pequeña fracción de sus contenidos es vista por la mayoría de sus usuarios, teniendo el resto de su catálogo un número muy inferior de visualizaciones. Este es el denominado problema de ”long-tail” que dificulta el modelo de clasificación. Para resolver este problema se implementó un modelo RNN. Siguiendo una estrategia de clasificación de expertos múltiples, en la que cada clasificador se centra en un único grupo específico de películas, agrupadas por popularidad. Estos clusters se crearon siguiendo el algoritmo de Jenks, agrupando las películas mediante minimización y maximización de la varianza entre grupos . Esta nueva implementación acabó superando a otros métodos de clustering, donde los clusters de películas de Jenks propuestos dieron mejores resultados para los modelos correspondientes. El modelo tenía como entrada un flujo ordenado de películas vistas. Una variable de entrada extra, la fecha de la visualización, dio un incremento en el rendimiento, siendo más notable en aquellos clusters con una menor cantidad de películas y más visualizaciones, es decir, aquellos clusters que no corresponden a los menos populares. La adición de una variable extra, el porcentaje de películas vistas, dio resultados no concluyentes debido a limitaciones hardware.

This study investigates the changing television landscape and consumption habits and the effects on the Swedish public service television(SVT). Recent shifts have amplified the ongoing decline of linear television and were marked by increasing migration of viewers to online video consumption and global streaming services. These new competitors escalate the challenges facing national broadcasters and emphasize the role of having a strong independent public service television that can remain relevant to all its audiences. SVT has been a pioneer in shifting to online and launched its video streaming service SVT Play in 2006. But the service is unable to recuperate the viewership bleeding from SVT linear channels, and reaching younger audiences has never been more challenging. The study presents a literature review and background referring to recent general trends in the television market, to put shifts and disruptions in the Swedish market in a larger context. We also present a thorough background on the Swedish television market focusing on the position of SVT and SVT Play. We discussed dynamics and drivers of recent structural and consumption shifts through in-depth interviews with key personnel from SVT as well as with other experts from different areas within the media and telecom industry. We seek to answer what future challenges and opportunities are for SVT Play and how to deal with those challenges and opportunities. The data collected were analyzed and reported in this study. The main findings indicate a new era ahead of public service heralded by the unprecedented decline of SVT broadcast and the increased consumption divergence in 2019. The study found that SVT Play has a central future role of public service television and should be further empowered to remain agile and relevant, through diverse, differentiated, and personalized offerings, but also through constant engagement with audiences and continuous learning of what they value and demand in a constantly changing media landscape. / Denna studie undersöker det föränderliga TV-landskapet och de nya konsumtionsvanornas effekter på svensk public service- TV (SVT). Nyligen har skiftningar intensifierat den pågående minskningen av linjär-TV vilket märkts i den ökande migrationen av TV-tittare till online video-konsumtion och globala streamingtjänster. Dessa nya konkurrenter trappar upp utmaningarna som nationella programföretag ställts inför och betonar vikten av att ha stark och oberoende public service-TV som kan förbli relevant för samtliga målgrupper. SVT har varit pionjärer i övergången till online och lanserade sin streamingtjänst för video, SVT Play, redan 2006. Men tjänsten är oförmögen att hämta upp de förlorade tittarsiffrorna från SVTs linjära TV-kanaler. Samtidigt så har det aldrig tidigare varit svårare att nå de unga målgrupperna. Denna studie presenterar en litteraturgenomgång och bakgrund med referenser till de senaste allmänna trenderna TV-marknad, för att ställa den svenska marknadens förändringar och störningar i ett större sammanhang. Vi presenterar även en grundlig bakgrund av den svensk TV-marknaden med fokus på SVTs och SVT Plays positioner i denna. Vi har resonerat kring dynamiken och drivkrafterna bakom de senaste strukturella förändringarna och förändringarna i konsumtion, genom djupgående intervjuer med nyckelpersoner från SVT samt andra experter inom olika områden av media- och Telecom-industrin. Vi söker svaret till vilka de framtida utmaningarna och möjligheterna för SVT Play är, samt hur man bör handskas med dessa utmaningar och möjligheter. Den insamlade datan har analyserats och rapporteras i denna studie. De huvudsakliga upptäckterna indikerar en ny era för public service, påbörjad av de historiska minskningarna av SVTs sändningar samt den ökande konsumtionsdivergensen under 2019. Studien har funnit att SVT Play besitter en central framtida roll för public service-TV och bör fortsatt vara stärkt i uppgiften att förbli rörlig och relevant, genom varierade, differentierade och personanpassade erbjudanden, men även genom ett konstant engagemang med sin publik och ett kontinuerligt lärande över vad de värderar och önskar i ett ständigt skiftande medielandskap.