Generowanie nowych danych rozrywkowych. MinDof/shutterstock.com

Każdy, kto oglądał „Dziennik Bridget Jones”, wie, że jednym z jej postanowień noworocznych jest: „Nie wychodzić co noc, ale zostań w domu, poczytaj książki i posłuchaj muzyki klasycznej”.

Rzeczywistość jest jednak zupełnie inna. To, co ludzie faktycznie robią w wolnym czasie, często nie pasuje do tego, co mówią, że będą robić.

Ekonomiści nazwali to zjawisko „hiperbolicznym dyskontowaniem”. W słynnym opracowaniu pt. „Płacić, aby nie chodzić na siłownię”, kilku ekonomistów odkryło, że kiedy ludziom zaoferowano wybór między umową typu „płatność za wizytę” a opłatą miesięczną, byli bardziej skłonni do wyboru opłaty miesięcznej i ostatecznie płacili więcej za wizytę. To dlatego, że przecenili swoją motywację do ćwiczeń.

Dyskontowanie hiperboliczne to tylko jedno z wyzwań związanych z działaniem w branży kreatywnej. Gusta są bardzo subiektywne, a elementy fabuły i narracji, które sprawiają, że jeden film jest ogromnym hitem, mogą z łatwością sprawić, że inny będzie krytyczną i komercyjną porażką.

Przez dziesięciolecia reklamodawcy i marketerzy zmagali się z przewidywaniem konsumpcji produktów rozrywkowych, takich jak filmy i książki. Równie trudne jest ustalenie terminu. W który weekend studio powinno wydać nowy film? Kiedy wydawca wydaje wersję papierową książki, jak decyduje, kiedy wydać wersję e-booka?

Obecnie big data zapewnia nowy wgląd w to, jak ludzie doświadczają rozrywki. Jak badacz, który studiuje wpływ sztucznej inteligencji i mediów społecznościowych, istnieją trzy siły, które wyróżniają mnie jako szczególnie potężne w przewidywaniu ludzkich zachowań.

1. Ekonomia długiego ogona

Internet umożliwia dystrybucję produktów rozrywkowych, które są mniej popularne niż sukcesy mainstreamowe. Transmisje strumieniowe mogą przyciągnąć większą publiczność niż jest to ekonomicznie możliwe do dystrybucji za pośrednictwem telewizji w czasie największej oglądalności. To zjawisko ekonomiczne jest określane jako efekt długiego ogona,

Ponieważ firmy zajmujące się streamingiem mediów, takie jak Netflix, nie muszą płacić za dystrybucję treści w kinach, mogą produkować więcej programów, które są przeznaczone dla niszowych odbiorców. Netflix wykorzystał dane z nawyków oglądania swoich klientów, aby zdecydować się na wsparcie „House of Cards”, które został odrzucony przez sieci telewizyjne. Dane Netflix pokazały, że istniała baza fanów filmów wyreżyserowanych przez Finchera i filmów z udziałem Spacey, a duża liczba klientów wypożyczyła DVD z oryginalnym serialem BBC.

2. Wpływy społeczne w dobie sztucznej inteligencji

Dzięki mediom społecznościowym ludzie mogą dzielić się tym, co oglądają ze znajomymi, dzięki czemu niezależna rozrywka staje się bardziej społeczna.

Wydobywając dane z serwisów społecznościowych, takich jak Twitter i Instagram, firmy mogą śledzić w czasie rzeczywistym, co widzowie myślą o danym filmie, programie lub piosence. Studia filmowe mogą korzystać ze skarbnicy danych cyfrowych, aby decydować o tym, jak promować programy i daty premiery filmów. Na przykład objętość Wyszukiwanie w Google zwiastuna filmu w miesiącu poprzedzającym jego premierę jest wiodącym predyktorem zdobywców Oscarów, a także przychodów ze sprzedaży biletów. Studia filmowe mogą łączyć dane historyczne o datach premiery filmów i wynikach kasowych z trendy wyszukiwania do przewidzieć idealne daty premiery nowych filmów.

Wydobywanie danych z mediów społecznościowych pomaga również firmom identyfikować negatywne nastroje, zanim pogrążą się one w kryzysie. Pojedynczy tweet od niezadowolonego, wpływowego klienta może stać się wirusowy, kształtując opinię publiczną.

W badaniu, które przeprowadziłem z Yong Tanem z University of Washington i Cath Oh z Georgia State University, pokazaliśmy w jaki sposób taki wpływ społeczny decyduje nie tylko o tym, które filmy z YouTube stają się bardziej popularne, ale także o tym, że filmy udostępniane przez wpływowych użytkowników stają się jeszcze szerzej oglądane.

Jedno badanie pokazuje, że gdy studia zwracają uwagę na szum w mediach społecznościowych przed publikacją filmu, różnica między przychodami przewidywanymi a rzeczywistymi, znana jako błąd prognozy, zmniejsza się o 31 procent.

3. Analiza zużycia

Big data zapewnia lepszy wgląd w to, czym książki i programy ludzie faktycznie spędzają czas.

Matematyk Jordan Ellenberg był pionierem w użyciu Indeks Hawkinga, miara średniej liczby stron z pięciu najczęściej wyróżnionych fragmentów w książce Kindle jako proporcja całkowitej długości tej książki. Indeks Hawkinga pokazuje, kiedy ludzie rezygnują z książki. Jeśli przeciętne wyróżnienie w Kindle 250-stronicowej książki pojawi się na stronie 250, to dałoby to wskaźnik Hawkinga na poziomie 100 procent.

Teoria ta wzięła swoją nazwę od „Krótkiej historii w czasie” Stephena Hawkinga. Chociaż ta książka wciąż sprzedaje się w milionach egzemplarzy rocznie, jest również rzadko czytana, z ponurym wskaźnikiem Hawkinga wynoszącym 6.6 procent.

Kiedy firma taka jak Amazon decyduje, które książki polecić potencjalnym czytelnikom lub które programy Prime chce wyprodukować, sprawdzają szczegółowe cyfrowe ślady która fabuła wskazuje zaangażowanych odbiorców, a która nie. Może to pomóc im w promowaniu nadchodzącej wersji lub w lepszych rekomendacjach dla poszczególnych użytkowników.

Co więcej, nowe rodzaje sztucznej inteligencji mogą badać, co sprawia, że ​​ludzie angażują się w kreatywne treści. Na przykład firma o nazwie Epagogix była pionierem podejścia wykorzystującego sieć neuronową – narzędzie sztucznej inteligencji która szuka wzorców w bardzo dużych ilościach danych – na zestawie scenariuszy ocenianych przez ekspertów z branży rozrywkowej. Komputer mógł wtedy przewidzieć finansowy sukces filmu. Według niektórych raportów taka sztuczna inteligencja może przewidzieć do 75 procent rzeczywistych przychodów z otwarcia filmów.

Biorąc pod uwagę nowe spostrzeżenia dotyczące dużych zbiorów danych, takie jak te, firmy rozrywkowe mogą wkrótce wiedzieć, co dokładnie Bridget Jones chciałaby zrobić ze swoim wolnym czasem lepiej niż sama Bridget.

O autorze

Anjana Susarla, profesor nadzwyczajny systemów informatycznych, Michigan State University

Artykuł został opublikowany ponownie Konwersacje na licencji Creative Commons. Przeczytać oryginalny artykuł.

Powiązane książki

at Rynek wewnętrzny i Amazon