Analisi e valutazione dei sistemi di raccomandazione: il caso Mediaset Infinity

La rivoluzione digitale ha trasformato i cataloghi audiovisivi in archivi pressoché sconfinati, generando nei fruitori una paralisi decisionale che ha imposto ai sistemi mediali una profonda metamorfosi. In questo scenario, i sistemi di raccomandazione si sono affermati come l'infrastruttura strategica portante dell'industria dello streaming, capaci di mediare tra l'abbondanza dell'offerta e le preferenze individuali di milioni di utenti simultaneamente. La tesi analizza e valuta questa infrastruttura su due livelli. Il primo, teorico-metodologico, sistematizza le principali famiglie algoritmiche (dai sistemi content-based al collaborative filtering, fino agli approcci ibridi e ai modelli fondazionali basati sul Deep Learning) e le relative metriche di valutazione: misure di similarità, metriche predittive, indicatori di ranking e KPI aziendali. Il secondo livello è empirico e si concentra sul caso Mediaset Infinity, indagato attraverso un tirocinio curriculare presso la Direzione Marketing Strategico dell'azienda. L'analisi del motore proprietario ARES, del sistema di annotazione semantica Mythematics (92 variabili su 8 categorie, brevettato in Italia e negli Stati Uniti) e della piattaforma analitica Scorecard restituisce il ritratto di un'azienda in transizione dal broadcasting lineare all'on demand, con punti di forza architetturali rilevanti e alcune limitazioni strutturali ancora da superare.