Victoria Martínez — UX · UI Design
Ver prototipo
UX Challenge  ·  Meli Play

Una plataforma donde la confianza es parte de la experiencia.

Rediseño con foco en recomendaciones sociales e inteligencia artificial

Scroll
App

4 testimonios reales revelan un patrón consistente en la experiencia de Meli Play.

-4%
frecuencia de uso de la plataforma en el último mes
"

Tengo una conversación de WhatsApp conmigo misma para anotar todas las películas que me recomiendan mis compañeros de trabajo, así después puedo verlas en Meli Play.

Workaround externo
C
Carla
21 años
"

Nunca me guío por las recomendaciones de los críticos de cine o por las opiniones de quienes no conozco.

Confianza en la fuente
V
Virginia
40 años
"

La tecnología no es mi fuerte. Cuando abro Meli Play, me gustaría tener un lugar con los contenidos destacados por mi familia.

Círculo cercano
R
Roberto
60 años
"

Mi papá siempre se olvida el nombre de las series que me quiere recomendar, y termino teniendo que buscar los títulos o los actores en Google.

Contexto perdido
A
Andrés
30 años
"

La recomendación siempre existió.
El problema es que no tiene donde vivir.

Insight central

La app está diseñada para consumo individual. No existe ninguna infraestructura para que una recomendación viaje de una persona a otra.

Estado actual de la plataforma

Evaluación basada en exploración directa y heurísticas de Nielsen.

Meli Play — estado actual
Visibilidad del sistema
Alta fricción en el entry point
La plataforma requiere navegación dentro de Mercado Libre sin señalización clara. No existe acceso directo ni identidad diferenciada.
Consistencia y estándares
Sin identidad visual de streaming
El design language actual no comunica "plataforma de contenidos". No genera el contexto emocional que los usuarios esperan.
Sin capa social
Sin perfil ni red de contactos
No existe identidad dentro de la app. Sin perfil de usuario es imposible construir ninguna capa social.
Affordance ausente
Sin watchlist — sin forma de guardar
No existe affordance para guardar contenido para después. Los usuarios usan WhatsApp y notas como workaround.
Visibilidad del estado
Ambigüedad gratis vs. pago
La distinción entre contenido gratuito y pago no es visible hasta el detalle. Viola el principio de visibilidad del estado del sistema.
Ciclo roto
El share button existe — pero resuelve mal
Solo genera un deep link externo sin contexto ni destinatario dentro de la app.
Recibe recomendación
Sale de la app
WhatsApp / Google
La recomendación nunca vuelve

Benchmark

Competidores directos + referentes de funcionalidad social.

Netflix
Netflix
Referente de UX
Estándar de la industria. Sin capa social real pese a su escala y recursos. El usuario no sabe qué ven sus contactos.
Pluto TV
Pluto TV
Competidor directo
Modelo freemium similar a Meli Play. Sin watchlist, sin social, sin diferenciación. Confirma que el problema no está resuelto en el segmento.
Letterboxd
Referente social
Mejor implementación de social graph para contenido audiovisual. Watchlist, feed de amigos, listas compartidas. Limitación: no es plataforma de consumo.
Spotify
Social en consumo masivo
Único caso de capa social integrada en un producto de consumo masivo. Fusión y playlists colaborativas como referentes directos para Mi gente.
💡
Ninguna plataforma de consumo gratuito resuelve la recomendación social de forma nativa y completa.
Esa es la oportunidad de Meli Play.

HMW & Problem Statement

How Might We?
¿Cómo podríamos hacer que las recomendaciones de personas cercanas estén disponibles dentro de Meli Play, en el momento en que el usuario decide qué ver?
El foco no es agregar una función social genérica. Es cerrar el ciclo entre el momento de recomendar y el momento de consumir.
Problem Statement
Los usuarios de Meli Play confían en las recomendaciones de su círculo cercano, pero no tienen forma de recibirlas, guardarlas ni encontrarlas dentro de la app.
Esto los obliga a usar canales externos (WhatsApp, Google, memoria) para algo que podría ocurrir naturalmente dentro de la plataforma.

Cada decisión fundamentada en research, principios UX y análisis del ecosistema.

01
👥
— 01
Social, no algorítmico
Las recomendaciones vienen de personas conocidas, no del sistema. La fuente es parte del valor. Virginia no confía en quienes no conoce — ese insight define la arquitectura entera de Mi gente.
Jobs To Be Done · No quieren "una función social"
02
🌊
— 02
Ambient, no intrusivo
Lo social existe en la app sin reemplazar la experiencia de consumo individual. El feed de Mi gente vive en el home como una sección más — no como destino separado. Como el Friend Activity de Spotify.
Principio de Nielsen · Control del usuario
03
🎨
— 03
Identidad propia de streaming
Dark mode, tipografía con jerarquía clara, cards con poster prominente. Mantiene los recursos de Meli (amarillo, Inter) para estar en sistema, pero redefine la experiencia visual para comunicar "plataforma de contenidos".
Consistencia y estándares · Heurísticas de Nielsen
04
— 04
Accesible para todos los perfiles
Diseñado para Roberto (60 años, baja adopción tecnológica). Un botón, una acción, sin fricción adicional. Las notificaciones traen el contenido al usuario — no lo obligan a navegar. Privacidad por diseño: solo se comparte lo que el usuario decide explícitamente.
Privacy by Design · Cavoukian

Mi gente + IA
Meli Play rediseñado como plataforma de streaming con identidad propia, donde las recomendaciones de las personas que conocés son parte nativa de la experiencia.

— Pilar 01

Rediseño de la experiencia base

Dark mode con identidad propia de streaming. Watchlist personal. Navegación optimizada para mobile. Distinción clara entre contenido gratuito y pago. Una app que se siente como plataforma de contenidos, no como módulo dentro de otra app.

— Pilar 02

Mi gente — capa social nativa

Grupos cerrados de confianza con lista compartida y sugerencias basadas en los gustos del grupo. Feed de actividad de recomendaciones explícitas. Privacidad por diseño: solo se muestra lo que cada usuario decide compartir conscientemente.

— Pilar 03

IA como asistente de descubrimiento

Búsqueda por lenguaje natural. Identificación de películas por descripción vaga. Detección de contenido copiado del portapapeles. Inspirado en el asistente y los patrones de Mercado Pago — mismo ecosistema, ya familiarizado por los usuarios.

Decisiones de UI fundamentadas

01
Rediseño completo
Jerarquía de cards y composición del home
Cards de distinto tamaño y orientación responden al F-pattern de lectura (Nielsen-Norman Group). El contenido más importante ocupa el mayor espacio visual. Cards landscape para "Seguir viendo" — muestra barra de progreso y contexto temporal. Cards portrait para catálogo — el poster es el identificador primario en contenido audiovisual.
F-Pattern · Nielsen-Norman Group
La jerarquía visual no es decorativa — guía la toma de decisión. Cada tamaño de card comunica un nivel de prioridad y un tipo de acción diferente.
Grupos
02
Actividad — Feed social
Badge social en el momento de decisión
El badge "Recomendado por Ana" aparece en la card del home y en el detalle del contenido. Recognition over Recall (Nielsen #6): el usuario no tiene que ir a otra pantalla para saber el origen de la recomendación — está presente en el momento de decidir. La fuente es parte del valor.
Nielsen #6 — Recognition over Recall
El feed de Actividad muestra únicamente acciones explícitamente compartidas. Nunca lo que alguien guardó o likeó sin intención. Calidad sobre cantidad en el feed.
Detalle con acciones
03
Grupos — Mi gente
Modelo cerrado por invitación
Grupos privados con lista compartida y feed de actividad. Solo se muestra lo que cada miembro decide compartir explícitamente — jamás lo que alguien vio o guardó sin intención. La arquitectura respeta el insight de Virginia: la fuente importa.
Jobs To Be Done — decisión de scope
Se eligió el modelo cerrado (por invitación) sobre una red abierta porque los pain points del brief son específicamente sobre círculo cercano. Un modelo abierto resolvería un problema diferente al identificado en el research.
Grupos
04
Recomendar — Acción social
Tres acciones que no se confunden
Calificar (señal al algoritmo, privada) / Recomendar a… (social dentro de la app, con mensaje opcional) / Compartir (link externo). Cada acción tiene semántica y destino diferente. El mensaje opcional en Recomendar es clave: "Mirala, está buenísima" > ningún contexto algorítmico.
Jerarquía de acciones — control del usuario
La distinción entre Recomendar (social interno) y Compartir (externo) resuelve el conflicto con el share button actual que solo genera un deep link sin contexto ni destinatario.
Acciones

Inteligencia artificial integrada

Dos features de IA inspiradas en patrones del ecosistema Mercado Libre — no agregadas como decoración.

✦ Feature IA — 01
Clipboard Detection
Cuando el usuario copia un mensaje que contiene el nombre de una película, Meli Play lo detecta automáticamente al abrir la app y ofrece guardarlo o reproducirlo con un solo tap. Cierra el ciclo en el punto más crítico del journey: cuando una recomendación externa podría perderse.
Referente MeliMercado Pago detecta automáticamente alias copiados al portapapeles. Mismo patrón, mismo ecosistema, ya familiarizado por la base de usuarios.
Reducción de fricciónResuelve el caso de Carla: de 7 pasos en 3 apps a 2 pasos en 1 app.
Clipboard detection
Asistente
✦ Feature IA — 02
Asistente de búsqueda con lenguaje natural
El asistente integrado permite encontrar películas por descripción vaga, actor, director o sensación. "La de Robin Williams que era comedia de los 90 en el ejército" → Buenos Días Vietnam. También ejecuta acciones: agregar contenido a grupos directamente desde el chat.
Referente MeliAsistente de Mercado Pago — mismo ecosistema, mismo patrón de interacción. La base de usuarios ya lo conoce.
Pain point directoResuelve el caso de Andrés: de 6 pasos en 2 apps a 4 pasos en 1 app. Nunca más "buscar en Google".
✦ Feature IA — 03
Sugerencias grupales — "¿Qué vemos esta noche?"
Dentro de cada grupo, la IA genera recomendaciones basadas en los gustos combinados de todos los miembros. No recomienda lo que le gusta a uno — recomienda lo que le puede gustar al grupo. Resuelve el Jobs To Be Done real: decidir qué ver juntos, no solo compartir una lista.
ReferenteSpotify Fusión: playlists basadas en gustos combinados de hasta 10 personas. Mismo concepto para contenido audiovisual.
Recomendados

Antes y después por usuario

👩
Carla, 21 — Clipboard Detection
"Tengo una conversación de WhatsApp conmigo misma para anotar películas"
◆ Antes
WhatsApp
Se anota
Vuelve días después
Busca en WhatsApp
Busca en Meli
✓ Después
Copia el nombre
Abre Meli Play
Modal detecta
Guarda en 1 tap
7 pasos · 3 apps
Fricción alta
2 pasos · 1 app
Fricción mínima
👨‍💼
Andrés, 30 — Asistente IA
"Mi papá olvida el nombre, termino buscando en Google"
◆ Antes
Descripción vaga
Sale de la app
Busca en Google
Vuelve a Meli
Busca el título
✓ Después
Abre el asistente
Describe la peli
IA la identifica
Ve o guarda
6 pasos · 2 apps
Fricción alta
4 pasos · 1 app
Todo en Meli Play
👩‍💼
Virginia, 40 — Mi gente
"Nunca me guío por recomendaciones de quienes no conozco"
◆ Antes
Home algorítmico
No confía
Abandona la app
✓ Después
Ve "Mi gente recomienda"
Confía en la fuente
Reproduce
Abandono
Sin contenido de confianza
Conversión
La fuente es el valor
👴
Roberto, 60 — Un botón, una acción
"La tecnología no es mi fuerte, quiero ver lo de mi familia"
◆ Antes
Abre Meli
No sabe qué elegir
Pregunta a su hijo
Por WhatsApp
✓ Después
Recibe notificación
Ve la recomendación
Ver ahora — 1 tap
Fricción
Sin punto de entrada claro
1 tap
Diseñado para Roberto

Decisiones descartadas + próximos pasos

Descartado y por qué

Red social abierta
Seguir desconocidos resuelve un problema diferente. Virginia lo dice explícitamente.
→ Modelo cerrado por invitación
WhatsApp como canal de acción
Iba en la dirección contraria: el objetivo es traer usuarios a la app.
→ Clipboard detection resuelve esto mejor
IA como tab del menú
Darle peso de destino a una herramienta rompe el modelo mental.
→ Ícono en top bar, como Mercado Pago
Acción de agregar a grupo y recomendar a amigo por separado
Sumaba complejidad y era poco comprensible la diferencia.
→ Simplificado: Recomendar como acción única. El usuario elige si recomienda a grupo o a persona individual
Botón flotante de IA
Interfiere con el contenido y comunica que la IA es marketing.
→ Integrado en el flujo de búsqueda

Próximos pasos

01
Onboarding social
Primera vez en Mi gente: importar contactos, crear el primer grupo, entender la propuesta de valor.
02
Entry point desde el ecosistema Meli
Cómo el usuario descubre Meli Play como app standalone desde Mercado Libre.
03
Testing con usuarios reales
Validar especialmente con Roberto (60 años) que Mi gente no genera fricción para usuarios de baja adopción tecnológica.
La recomendación siempre existió.
Ahora tiene donde vivir.
Victoria Martínez vickmartinezdcv@gmail.com vickmartinez.com.ar Mayo 2026
Ver prototipo completo en Figma