Cómo organiza BaRT la pantalla de inicio
La pantalla de inicio de Spotify está estructurada en filas de playlists llamadas «shelves» (estanterías), como «Made for You» o «Inspired by your recent listening», y las playlists individuales dentro de esas estanterías se llaman «cards» (tarjetas).
BaRT tiene dos tareas:
- Ordenar las tarjetas dentro de cada estantería: decide qué playlists aparecen primero
- Ordenar las estanterías: decide qué filas de contenido aparecen en la parte superior de la pantalla
Este orden se personaliza en tiempo real según tu historial de escucha, la hora del día y cómo has respondido a recomendaciones anteriores.
¿Cómo equilibra BaRT la exploración y la explotación?
BaRT equilibra constantemente dos modos:
El modo de explotación recomienda contenido que el sistema cree que disfrutarás. Utiliza tu historial de escucha, las canciones guardadas, los tracks omitidos y la actividad en playlists para predecir qué hará que sigas escuchando.
El modo de exploración recomienda contenido sobre el que el sistema no está seguro. Tiene dos objetivos: ayuda a Spotify a aprender más sobre tus preferencias y te presenta música que quizá no habrías encontrado de otro modo.
El equilibrio entre ambos modos se gestiona mediante una estrategia «epsilon-greedy». La mayor parte del tiempo, BaRT explota lo que sabe de ti. De vez en cuando, explora para reunir información nueva.
En usuarios nuevos con poco historial de escucha, BaRT se inclina más por la exploración. En usuarios de larga trayectoria con preferencias establecidas, se inclina más por la explotación.
¿Cuál es la señal de éxito de 30 segundos?
BaRT mide su rendimiento con un umbral sencillo: si un oyente reproduce un track recomendado durante más de 30 segundos, la recomendación cuenta como un éxito.
Cuanto más tiempo escucha alguien una playlist o sesión de radio recomendada, más confianza gana BaRT en sus predicciones para ese usuario. Por eso los skips tempranos perjudican tu alcance algorítmico: enseñan a BaRT que la recomendación falló.
¿Cuáles son las tres fuentes de datos que usa BaRT?
BaRT no trabaja solo. Utiliza tres pipelines de datos principales:
| Fuente de datos | Qué captura | Cómo ayuda |
|---|---|---|
| Filtrado colaborativo | Patrones de lo que disfrutan oyentes similares | «A los fans del artista X también les gusta el artista Y» |
| Análisis de audio | Tempo, tonalidad, energía, timbre | Encuentra tracks sonoramente similares para Radio |
| Procesamiento del lenguaje natural | Letras, títulos de playlists, menciones en blogs | Entiende el contexto de estado de ánimo y género |
Estas señales alimentan BaRT, que después decide cómo ponderarlas para cada usuario.
Qué significa para los artistas
BaRT no es un guardián al que puedas hacerle pitch. Es un motor de predicción que aprende del comportamiento de los oyentes.
Muchos Saves y pocos Skips enseñan a BaRT que tu música satisface a los oyentes a quienes se mostró. Esto aumenta la probabilidad de futuras recomendaciones.
Muchos Skips y pocos Saves enseñan a BaRT que la recomendación no encajó. El sistema tendrá menos probabilidades de mostrar tu track a oyentes similares.
La única forma de influir en BaRT es enviarle señales positivas mediante interacciones genuinas de los oyentes. Esto significa optimizar la tasa de Saves, la tasa de finalización y las escuchas repetidas, no el número bruto de streams.
¿Cómo se compara BaRT con los otros sistemas de Spotify?
BaRT se ocupa específicamente de la pantalla de inicio y de las recomendaciones personalizadas de sus estanterías. Otras superficies algorítmicas tienen su propia lógica:
- Discover Weekly se actualiza cada lunes mediante filtrado colaborativo
- Release Radar se actualiza cada viernes y prioriza a los artistas que sigue el oyente
- Radio y Autoplay utilizan la similitud de audio y señales de continuación de sesión
Estos sistemas comparten datos, pero funcionan de forma independiente. Un track que rinde bien en las recomendaciones de inicio de BaRT también puede ser seleccionado por Radio, pero no existe un cruce garantizado.
¿Qué investigación hay detrás de BaRT?
La investigación fundacional fue publicada por ingenieros de Spotify en 2018 con el título «Explore, Exploit, Explain: Personalizing Explainable Recommendations with Bandits». El artículo describe cómo BaRT aprende a predecir la satisfacción del usuario para cualquier combinación de contenido, explicación y contexto.
Desde entonces, Spotify ha seguido perfeccionando el enfoque. Un artículo de investigación de 2025 describe el uso de bandidos contextuales para calibrar los tipos de contenido (música, podcasts y audiolibros) dentro de las listas de recomendaciones y adaptarse en tiempo real a la evolución de las preferencias de los usuarios.