O boom dos Streamings

Nos últimos anos, as plataformas de streaming se consolidaram como um dos principais meios de acesso a filmes e séries em todo o mundo. Entre elas, a Netflix desempenha um papel central, tanto por sua ampla base de assinantes quanto por sua estratégia agressiva de produção e aquisição de conteúdo. Com um catálogo que se expande continuamente e que inclui produções de dezenas de países, a Netflix se tornou uma peça importante para compreender tendências culturais, econômicas e globais do entretenimento contemporâneo.

Por que estudar o catálogo da Netflix?

Diante desse cenário, investigar como o catálogo da Netflix se transformou ao longo do tempo não é apenas uma curiosidade, é uma forma de entender como a plataforma responde às demandas do mercado, como se posiciona estrategicamente em diferentes regiões e como contribui para a circulação de conteúdos globais. Essa análise interessa a pesquisadores, estudantes, profissionais criativos e até mesmo consumidores, pois revela mudanças nos tipos de produções oferecidas, no equilíbrio entre filmes e séries, e na ampliação da diversidade geográfica.

Sobre os dados e metodologias

Para realizar essa investigação, utilizo um conjunto de dados do Kaggle contendo informações detalhadas sobre títulos disponíveis na plataforma, incluindo:

• Ano de lançamento
• País(es) de produção
• Tipo de obra (filme ou série)
• Classificação indicativa
• Data em que o título entrou no catálogo

A partir desses dados, aplico procedimentos de limpeza, padronização e organização, de modo a torná-los adequados para análise exploratória. Em seguida, realizo investigações que permitem observar padrões temporais e geográficos, com foco especial na evolução e globalização do catálogo.

Sobre a abordagem

A abordagem adotada combina análise descritiva, visualização de dados e interpretação narrativa, permitindo não apenas quantificar mudanças ao longo dos anos, mas também compreender o que essas mudanças significam. Dessa forma, a análise busca responder perguntas como: Como o catálogo cresceu ao longo do tempo? Em que momento séries se tornaram tão importantes quanto filmes? De que forma a Netflix expandiu seu alcance para além dos Estados Unidos?

Por fim, espera-se que os resultados auxiliem potenciais interessados a enxergar tendências estratégicas da Netflix, identificar padrões de produção global e compreender como a plataforma tem influenciado a circulação de conteúdos culturais no mundo contemporâneo.

Carregamento dos dados

Como descrito na Introdução, o conjunto de dados utilizado neste trabalho é o “Netflix Movies and TV Shows”, disponibilizado no Kaggle e originalmente compilado a partir do mecanismo de busca Flixable, que registra títulos presentes no catálogo da Netflix.

Esse dataset reúne informações sobre filmes e séries adicionados na plataforma desde dezembro de 2007 até setembro de 2021, mas antes de iniciar a análise é necessário importar o arquivo CSV, compreender sua estrutura e identificar quais colunas são relevantes para responder às perguntas propostas pelo projeto.

raw_data <- read.csv("netflix_titles.csv.csv")

datatable(raw_data,
  rownames = FALSE,
  options = list(
    pageLength = 5,
    autoWidth = TRUE,
    language = list(search = "Buscar:", lengthMenu = "Mostrar _MENU_ entradas")
  )
)

data <- raw_data[, c(
  "type",
  "title",
  "country",
  "date_added",
  "release_year",
  "rating",
  "listed_in"
)]

Coluna date_added

A coluna date_added é responsável por registrar quando cada título foi incluído no catálogo da Netflix, porém seus valores estão armazenados no formato texto (chr), utilizando datas escritas em inglês, como “September 9, 2020”.

class(data$date_added)

## [1] "character"

Para que seja possível realizar análises temporais, é necessário converter essa coluna para o tipo data. Após essa conversão, extraímos o ano de cada registro e criamos uma nova variável chamada added_year, que servirá como base para explorar tendências temporais de expansão da Netflix, permitindo identificar períodos de maior inclusão de títulos e mudanças na composição do catálogo.

# Converter e extrair ano
data$date_added <- mdy(data$date_added)
data$added_year <- year(data$date_added)

Após a conversão, o dataframe data agora possui a nova variável added_year. Vejamos como ficaram os dados:

# Visualizar estrutura do dataframe após conversão temporal
data %>%
  select(type, title, date_added, added_year, release_year) %>%
  head(8) %>%
  kable(
    col.names = c("Tipo", "Título", "Data Adição", "Ano Adição", "Ano Lançamento"),
    align = c("c", "l", "c", "c", "c"),
    caption = "Amostra do dataframe 'data' após conversão temporal"
  )

A criação da variável added_year é essencial porque permite agregações temporais e análises de tendências ao longo dos anos, transformando datas específicas em períodos analiticamente úteis.

Coluna country

A análise geográfica requer tratamento especial da coluna country, pois muitos títulos apresentam múltiplos países de produção separados por vírgula (exemplo: “United States, Canada, United Kingdom”). Esta característica dos dados apresenta uma decisão metodológica importante: como tratar títulos com múltiplos países?

Opção 1 - Considerar apenas o primeiro país: Seria possível extrair apenas o primeiro país listado, assumindo que representa o país principal de produção. Esta abordagem simplificaria a análise, mas perderia informação valiosa sobre coproduções internacionais.

Opção 2 - Considerar todos os países (escolha adotada): A abordagem escolhida expande cada título com múltiplos países em registros separados, onde cada combinação título-país ocupa uma linha distinta. Esta decisão preserva a completude dos dados e reflete a realidade da produção audiovisual.

# OBJETIVO: Preparar dados geográficos para análise temporal
# Tratar registros com múltiplos países separados por vírgula
data_country <- data %>%
  filter(!is.na(country), !is.na(added_year)) %>% # Remover registros sem informação
  mutate(country = trimws(country)) %>% # Remover espaços extras
  filter(country != "") %>% # Filtrar registros vazios
  separate_rows(country, sep = ",") %>% # Separar países múltiplos em linhas
  mutate(country = trimws(country)) %>% # Limpar espaços após separação
  filter(country != "") # Filtrar novamente registros vazios

# Visualizar como ficou a estrutura expandida por país
data_country %>%
  select(type, title, country, added_year) %>%
  head(10) %>%
  kable(
    col.names = c("Tipo", "Título", "País", "Ano Adição"),
    align = c("c", "l", "l", "c"),
    caption = "Amostra do dataframe 'data_country' - expansão geográfica"
  )

# Calcular total por país ao longo de todo o período
country_total <- data_country %>%
  group_by(country) %>%
  summarise(total_titles = n(), .groups = "drop") %>%
  arrange(desc(total_titles))

# Selecionar os 10 países com maior número de títulos
top_countries <- country_total %>%
  slice_max(order_by = total_titles, n = 10) %>%
  pull(country)

# Manter apenas os países do TOP 10
data_country_top <- data_country %>%
  filter(country %in% top_countries)

# Visualizar estrutura do dataframe filtrado
data_country_top %>%
  select(type, title, country, added_year) %>%
  head(8) %>%
  kable(
    col.names = c("Tipo", "Título", "País (TOP 10)", "Ano Adição"),
    align = c("c", "l", "l", "c"),
    caption = "Amostra do dataframe 'data_country_top' - foco nos principais mercados"
  )

# Número de países distintos com títulos adicionados por ano
country_diversity_year <- data_country %>%
  filter(!is.na(added_year)) %>%
  group_by(added_year) %>%
  summarise(n_countries = n_distinct(country), .groups = "drop")

# Visualizar evolução da diversidade geográfica
country_diversity_year %>%
  head(10) %>%
  kable(
    col.names = c("Ano de Adição", "Número de Países"),
    align = c("c", "c"),
    caption = "Amostra do dataframe 'country_diversity_year' - diversidade temporal"
  )

Coluna listed_in

Para explorar os gêneros presentes no catálogo, também é necessário tratar a coluna listed_in, que pode conter múltiplos gêneros separados por vírgula.

# OBJETIVO: Preparar dados de gêneros para análise temática
# Expandir registros com múltiplos gêneros em linhas separadas
data_genre <- data %>%
  filter(!is.na(listed_in)) %>% # Manter apenas registros com gênero
  mutate(listed_in = trimws(listed_in)) %>% # Limpar espaços extras
  separate_rows(listed_in, sep = ",") %>% # Separar gêneros múltiplos
  mutate(listed_in = trimws(listed_in)) # Limpar espaços pós-separação

# Criar agregação: gêneros por tipo de conteúdo (filme/série)
genre_type <- data_genre %>%
  group_by(type, listed_in) %>% # Agrupar por tipo e gênero
  summarise(n = n(), .groups = "drop") # Contar ocorrências

# Identificar os gêneros mais frequentes para foco da análise
top_genres <- genre_type %>%
  group_by(listed_in) %>% # Agrupar por gênero
  summarise(total = sum(n), .groups = "drop") %>% # Somar todas as ocorrências
  slice_max(order_by = total, n = 12) %>% # Selecionar top 12
  pull(listed_in) # Extrair nomes dos gêneros

# Filtrar dados para manter apenas os gêneros principais
genre_type_top <- genre_type %>%
  filter(listed_in %in% top_genres) # Manter apenas top gêneros

Aqui criamos vários dataframes especializados para análise temática:

1. data_genre - Expansão por gêneros (similar ao processo de países):

data_genre %>%
  select(type, title, listed_in, added_year) %>%
  head(8) %>%
  kable(
    col.names = c("Tipo", "Título", "Gênero", "Ano Adição"),
    align = c("c", "l", "l", "c"),
    caption = "Amostra do dataframe 'data_genre' - expansão por gêneros"
  )

2. genre_type_top - Agregação dos principais gêneros por tipo de conteúdo:

genre_type_top %>%
  arrange(desc(n)) %>%
  head(10) %>%
  kable(
    col.names = c("Tipo", "Gênero", "Número de Títulos"),
    align = c("c", "l", "c"),
    caption = "Amostra do dataframe 'genre_type_top' - principais gêneros agregados"
  )

A criação destes dataframes é necessária porque:

• data_genre: Permite análise individual de cada gênero por título
• genre_type_top: Possibilita comparação entre filmes e séries por categoria temática

# Contar títulos por ano e gênero
genre_year <- data_genre %>%
  filter(!is.na(added_year)) %>%
  group_by(added_year, listed_in) %>%
  summarise(n = n(), .groups = "drop")

# Selecionar os gêneros mais frequentes no período
top_genres_year <- genre_year %>%
  group_by(listed_in) %>%
  summarise(total = sum(n), .groups = "drop") %>%
  slice_max(order_by = total, n = 10) %>%
  pull(listed_in)

genre_year_top <- genre_year %>%
  filter(listed_in %in% top_genres_year)

3. genre_year_top - Evolução temporal dos gêneros principais:

genre_year_top %>%
  filter(added_year >= 2018) %>% # Filtrar anos recentes para visualização
  head(10) %>%
  kable(
    col.names = c("Ano Adição", "Gênero", "Número de Títulos"),
    align = c("c", "l", "c"),
    caption = "Amostra do dataframe 'genre_year_top' - evolução temporal dos gêneros"
  )

O genre_year_top é essencial para análise temporal dos gêneros, permitindo identificar quais categorias temáticas ganharam ou perderam relevância ao longo dos anos.

Coluna rating

Por fim, é interessante preparar os dados de classificação indicativa (rating) para analisar como a composição etária do catálogo evolui ao longo do tempo.

# Examinar todos os valores únicos na coluna rating
rating_values <- data %>%
  filter(!is.na(rating), rating != "") %>%
  count(rating, sort = TRUE) %>%
  mutate(prop = round((n / sum(n)) * 100, 1))

# Mostrar todos os valores encontrados
kable(rating_values,
  col.names = c("Valor de Rating", "Quantidade", "Percentual (%)"),
  align = c("l", "c", "c"),
  caption = "Todos os valores encontrados na coluna 'rating'"
)

# Definir grupos de classificação indicativa
rating_groups <- c(
  "TV-Y" = "Infantil",
  "TV-Y7" = "Infantil",
  "TV-Y7-FV" = "Infantil",
  "G" = "Infantil",
  "TV-G" = "Família",
  "TV-PG" = "Família",
  "PG" = "Família",
  "PG-13" = "Adolescente",
  "TV-14" = "Adolescente",
  "R" = "Adulto",
  "NC-17" = "Adulto",
  "TV-MA" = "Adulto",
  "UR" = "Adulto",
  "NR" = "Sem classificação"
)

# Filtrar apenas ratings válidos e criar grupos
data_rating <- data %>%
  filter(!is.na(rating), rating != "", !is.na(added_year)) %>%
  filter(rating %in% names(rating_groups)) %>% # Manter apenas ratings válidos
  mutate(rating_group = rating_groups[rating]) # Criar grupos de rating

# Resumo dos grupos de classificação
rating_summary <- data_rating %>%
  group_by(rating_group) %>%
  summarise(n = n(), .groups = "drop") %>%
  mutate(prop = round((n / sum(n)) * 100, 1)) %>%
  arrange(desc(n))

kable(rating_summary,
  col.names = c("Grupo de Classificação", "Total de Títulos", "Percentual (%)"),
  align = c("l", "c", "c"),
  caption = "Distribuição dos grupos de classificação indicativa no catálogo"
)

# Criar tabela pivô: ano x categoria
rating_pivot <- data_rating %>%
  count(added_year, rating_group) %>%
  pivot_wider(
    names_from = rating_group,
    values_from = n,
    values_fill = 0
  )

# Calcular proporções por ano
rating_props <- rating_pivot %>%
  mutate(
    total = rowSums(select(., -added_year)),
    across(-c(added_year, total), ~ .x / total)
  ) %>%
  select(-total)

# Converter de volta para formato longo para ggplot
rating_year <- rating_props %>%
  pivot_longer(
    cols = -added_year,
    names_to = "rating_group",
    values_to = "prop"
  )

rating_year %>%
  filter(added_year >= 2018) %>% # Anos recentes para melhor visualização
  arrange(desc(prop)) %>%
  head(10) %>%
  kable(
    col.names = c("Ano Adição", "Grupo de Classificação", "Proporção"),
    align = c("c", "c", "c"),
    caption = "Amostra do dataframe 'rating_year' - evolução dos grupos etários"
  )

Resumo da base pós-processamento

Após as etapas de pré-processamento, a base passa a contar com novas variáveis derivadas ( added_year, estrutura expandida de country e listed_in, além dos objetos agregados como data_country_top, genre_type_top, genre_year_top, rating_year e country_diversity_year).

O data frame data continua sendo a tabela central da análise, representando os títulos já filtrados para as colunas de interesse. A partir dele, foram construídos data frames derivados específicos para responder a perguntas sobre:

• Crescimento temporal: uso de added_year para contar títulos adicionados por ano.
• Composição etária: objeto rating_year, com contagens e proporções por classificação indicativa.
• Expansão geográfica: objetos data_country, data_country_top e country_diversity_year, que permitem analisar tanto o volume por país quanto a diversidade de países ao longo do tempo.
• Diversificação temática: objetos data_genre, genre_type_top e genre_year_top, que descrevem a distribuição de gêneros entre filmes e séries e sua evolução ao longo dos anos.

Em conjunto, essas estruturas pós-processamento fornecem uma visão consolidada da evolução do catálogo da Netflix, permitindo que a análise exploratória se concentre em padrões de crescimento, globalização e diversificação de conteúdo.

# Visualizar amostra da base pós-processamento
data %>%
  select(type, title, country, date_added, added_year, release_year, rating, listed_in) %>%
  head(10) %>%
  kable(
    align = c("c", "l", "l", "c", "c", "c", "c", "l"),
    col.names = c(
      "Tipo",
      "Título",
      "País(es)",
      "Data de adição",
      "Ano de adição",
      "Ano de lançamento",
      "Classificação",
      "Gênero(s)"
    )
  )

Características do dataset final

Após o pré-processamento, o dataset apresenta as seguintes características:

# Informações resumidas sobre as variáveis finais
caracteristicas <- data.frame(
  Variavel = c("type", "added_year", "release_year", "rating", "country", "listed_in"),
  Tipo = c("Categórica", "Numérica", "Numérica", "Categórica", "Texto", "Texto"),
  Descricao = c(
    "Tipo de conteúdo: Movie ou TV Show",
    "Ano em que o título foi adicionado ao catálogo (2007-2021)",
    "Ano de lançamento original do título",
    "Classificação indicativa (TV-MA, TV-14, PG-13, etc.)",
    "País(es) de produção (múltiplos valores separados por vírgula)",
    "Gêneros/categorias (múltiplos valores separados por vírgula)"
  ),
  Observacoes = c(
    paste0("Filmes: ", nrow(data[data$type == "Movie", ]), " | Séries: ", nrow(data[data$type == "TV Show", ])),
    paste0("Range: ", min(data$added_year, na.rm = TRUE), "-", max(data$added_year, na.rm = TRUE)),
    paste0("Range: ", min(data$release_year, na.rm = TRUE), "-", max(data$release_year, na.rm = TRUE)),
    paste0("Grupos etários válidos: ", length(unique(data_rating$rating_group))),
    paste0("Países únicos: ", length(unique(trimws(unlist(strsplit(data$country[!is.na(data$country)], ",")))))),
    paste0("Gêneros únicos: ", length(unique(trimws(unlist(strsplit(data$listed_in[!is.na(data$listed_in)], ","))))))
  )
)

kable(caracteristicas,
  col.names = c("Variável", "Tipo", "Descrição", "Características"),
  align = c("l", "c", "l", "l")
)