Tạo dữ liệu giải trí mới. MinDof / shutstock.com

Bất cứ ai theo dõi Nhật ký của Brid Bridget Jones đều biết một trong những quyết tâm trong năm mới của cô ấy là không được đi ra ngoài mỗi đêm mà ở lại và đọc sách và nghe nhạc cổ điển.

Tuy nhiên, thực tế là khác nhau đáng kể. Những gì mọi người thực sự làm trong thời gian rảnh rỗi thường không phù hợp với những gì họ nói họ sẽ làm.

Các nhà kinh tế đã gọi hiện tượng này là giảm giá hyperbolic.Không trả tiền để đi đến phòng tập thể dục, Một vài nhà kinh tế học nhận thấy rằng, khi mọi người được đề nghị lựa chọn giữa hợp đồng trả tiền cho mỗi lần truy cập và phí hàng tháng, họ có nhiều khả năng chọn phí hàng tháng và cuối cùng thực sự phải trả nhiều hơn cho mỗi lần truy cập. Đó là bởi vì họ đã đánh giá quá cao động lực của họ để làm việc.

Giảm giá Hyperbolic chỉ là một thách thức của hoạt động trong một ngành công nghiệp sáng tạo. Thị hiếu có tính chủ quan cao, và các yếu tố cốt truyện và cách kể chuyện khiến một bộ phim trở thành một cú hích lớn có thể dễ dàng khiến một bộ phim khác trở thành một thất bại nghiêm trọng và thương mại.

Trong nhiều thập kỷ, các nhà quảng cáo và tiếp thị đấu tranh để dự đoán mức tiêu thụ các sản phẩm giải trí như phim ảnh và sách. Đó là thách thức không kém để quyết định thời gian. Cuối tuần nào một studio nên phát hành một bộ phim mới? Khi một nhà xuất bản phát hành một bản sao cứng của một cuốn sách, làm thế nào để họ quyết định khi nào phát hành phiên bản sách điện tử?

Ngày nay, dữ liệu lớn cung cấp khả năng hiển thị mới về cách mọi người trải nghiệm giải trí. Như một nhà nghiên cứu người nghiên cứu tác động của trí tuệ nhân tạo và phương tiện truyền thông xã hội, có ba lực lượng nổi bật với tôi là đặc biệt mạnh mẽ trong việc dự đoán hành vi của con người.

KHAI THÁC. Kinh tế của đuôi dài

Internet cho phép phân phối các sản phẩm giải trí ít phổ biến hơn thành công chủ đạo. Các chương trình phát trực tuyến có thể có được lượng khán giả lớn hơn so với những gì khả thi về mặt kinh tế để phân phối thông qua truyền hình thời gian chính. Hiện tượng kinh tế này được gọi là hiệu ứng đuôi dài,

Vì các công ty truyền thông trực tuyến như Netflix không phải trả tiền để phân phối nội dung trong rạp chiếu phim, họ có thể sản xuất nhiều chương trình phục vụ khán giả thích hợp. Netflix đã sử dụng dữ liệu từ thói quen xem của khách hàng cá nhân của họ để quyết định ủng hộ Nhà Thẻ, Thẻ mà đã bị từ chối bởi các mạng truyền hình. Dữ liệu của Netflix cho thấy có một cơ sở người hâm mộ cho các bộ phim do Fincher đạo diễn và các bộ phim có sự tham gia của Spacey, và một số lượng lớn khách hàng đã thuê DVD của loạt phim gốc của BBC.

KHAI THÁC. Ảnh hưởng xã hội trong thời đại trí tuệ nhân tạo

Với phương tiện truyền thông xã hội, mọi người có thể chia sẻ những gì họ đang xem với bạn bè của họ, làm cho những trải nghiệm giải trí độc lập trở nên xã hội hơn.

Bằng cách khai thác dữ liệu từ các trang xã hội như Twitter và Instagram, các công ty có thể theo dõi thời gian thực những người xem phim nghĩ gì về một bộ phim, chương trình hoặc bài hát nhất định. Các hãng phim có thể sử dụng một kho tàng dữ liệu kỹ thuật số để quyết định cách quảng bá chương trình và ngày phát hành cho phim. Ví dụ, khối lượng của Google tìm kiếm đoạn giới thiệu phim trong tháng trước khi ra mắt là một dự đoán hàng đầu của người chiến thắng Oscar cũng như doanh thu phòng vé. Hãng phim có thể kết hợp dữ liệu lịch sử về ngày phát hành phim và hiệu suất phòng vé với xu hướng tìm kiếm đến dự đoán ngày phát hành lý tưởng cho phim mới.

Khai thác dữ liệu truyền thông xã hội cũng giúp các công ty xác định tâm lý tiêu cực trước khi nó rơi vào khủng hoảng. Một tweet từ một khách hàng có ảnh hưởng không hài lòng Có thể đi virus, định hình dư luận.

Trong một nghiên cứu tôi đã tiến hành với Yong Tan của Đại học Washington và Cath Oh từ Đại học bang Georgia, Chúng tôi đã cho thấy mức độ ảnh hưởng xã hội như vậy quyết định không chỉ video YouTube nào trở nên phổ biến hơn mà cả các video được chia sẻ bởi người dùng có ảnh hưởng thậm chí còn được xem rộng rãi hơn.

Một nghiên cứu cho thấy khi các hãng phim chú ý đến tiếng vang trên mạng xã hội trước khi phát hành bộ phim, sự khác biệt giữa doanh thu dự đoán và doanh thu thực tế, được gọi là lỗi dự báo, giảm phần trăm 31.

KHAI THÁC. Phân tích tiêu thụ

Dữ liệu lớn cung cấp khả năng hiển thị tốt hơn vào những gì sách và cho thấy mọi người thực sự dành thời gian thưởng thức.

Nhà toán học Jordan Ellenberg đã tiên phong trong việc sử dụng Chỉ số Hawking, thước đo số trang trung bình của năm đoạn được tô sáng nhất trong sách Kindle theo tỷ lệ của tổng chiều dài của cuốn sách đó. Chỉ số Hawking cho thấy khi mọi người từ bỏ một cuốn sách. Nếu điểm nổi bật trung bình của Kindle trang 250 xuất hiện trên trang 250, điều đó sẽ mang lại cho nó chỉ số Hawking là phần trăm 100.

Lý thuyết này được đặt tên từ Stephen Hawking 's Lịch sử tóm tắt về thời gian. Stephen Trong khi cuốn sách này vẫn bán được hàng triệu bản mỗi năm, nó cũng hiếm khi được đọc, với chỉ số Hawking ảm đạm là 6.6 phần trăm.

Khi một công ty như Amazon quyết định nên giới thiệu những cuốn sách nào cho độc giả tiềm năng hoặc Prime nào sẽ sản xuất, họ sẽ xem xét các dấu vết kỹ thuật số chi tiết về cốt truyện nào thu hút khán giả và cái nào không. Điều này có thể giúp họ quảng bá một bản phát hành sắp tới hoặc đưa ra khuyến nghị tốt hơn cho người dùng cá nhân.

Hơn nữa, các loại trí tuệ nhân tạo mới có thể điều tra những gì khiến mọi người tham gia với nội dung sáng tạo. Chẳng hạn, một công ty có tên Epagogix đã đi tiên phong trong cách tiếp cận bằng cách sử dụng mạng thần kinh - một công cụ trí tuệ nhân tạo tìm kiếm các mẫu với số lượng dữ liệu rất lớn - trên một tập hợp các màn hình được các chuyên gia trong ngành giải trí đánh giá. Máy tính sau đó có thể dự đoán thành công tài chính của một bộ phim. Theo một số báo cáo, trí tuệ nhân tạo như vậy có thể dự đoán lên tới 75 phần trăm tổng doanh thu thực tế của phim.

Đưa ra những hiểu biết về dữ liệu lớn như thế này, các công ty giải trí có thể sớm biết chính xác Bridget Jones muốn làm gì với thời gian giải trí của cô ấy tốt hơn bản thân Bridget.

Giới thiệu về Tác giả

Anjana Susarla, Phó Giáo sư Hệ thống Thông tin, Đại học Bang Michigan

Bài viết này được tái bản từ Conversation theo giấy phép Creative Commons. Đọc ban đầu bài viết.

Sách liên quan

at Thị trường InnerSelf và Amazon