3 sätt att stora data avslöjar vad du verkligen gillar att titta på, läsa och lyssna påGenererar nya underhållningsdata. MinDof / shutterstock.com

Den som tittat på "Bridget Jones Dagbok" vet ett av hennes nyårs resolutioner är "Gå inte ut varje kväll utan stanna och läs böcker och lyssna på klassisk musik."

Verkligheten är emellertid väsentligt annorlunda. Vad människor faktiskt gör i sin fritid matchar ofta inte med vad de säger att de ska göra.

Ekonomer har betecknat detta fenomen "hyperbolisk diskontering". I en berömd studie med titeln "Betala inte för att gå till gym, "Ett par ekonomer fann att när folk erbjöds valet mellan ett lön per besök-kontrakt och en månadsavgift, var de mer benägna att välja månadsavgiften och faktiskt hamnade betala mer per besök. Det beror på att de överskattade deras motivation att träna.

Hyperbolisk diskontering är bara en utmaning att fungera i en kreativ industri. Smaker är mycket subjektiva, och elementen i plot och berättelse som gör en film till en enorm träff kan enkelt göra en annan ett kritiskt och kommersiellt misslyckande.

I årtionden kämpade annonsörer och marknadsförare för att förutsäga konsumtionen av fritidsprodukter som filmer och böcker. Det är lika utmanande att bestämma tidpunkten. Vilken helg ska en studio släppa en ny film? När en utgivare släpper ut en kopia av en bok, hur bestämmer de sig när man ska släppa e-boksversionen?


innerself prenumerera grafik


Idag erbjuder stora data ny syn på hur människor upplever underhållning. Som en forskare som studerar effekterna av artificiell intelligens och sociala medier, det finns tre krafter som står ut för mig som särskilt kraftfulla för att förutsäga mänskligt beteende.

1. Den långa ekonomins ekonomi

Internet gör det möjligt att distribuera underhållningsprodukter som är mindre populära än vanliga framgångar. Streamningsshow kan förvärva en större publik än vad som är ekonomiskt möjligt för distribution via prime-time-tv. Detta ekonomiska fenomen kallas lång svans effekt,

Eftersom streamingmediaföretag som Netflix inte behöver betala för att distribuera innehåll i biografer, kan de producera fler shows som tillgodoser nischgrupper. Netflix använde data från sina enskilda kunders beteendevanor för att bestämma sig för att återkomma till "House of Cards", vilket avvisades av tv-nät. Netflix-data visade att det fanns en fläktbas för filmer som regisserades av Fincher och filmer som rymde Spacey, och att ett stort antal kunder hade hyrt DVD-skivor från den ursprungliga BBC-serien.

2. Socialt inflytande i den tid av artificiell intelligens

Med sociala medier kan människor dela vad de tittar på med sina vänner, annars blir oberoende underhållningsupplevelser mer sociala.

Genom att bryta data från sociala webbplatser som Twitter och Instagram kan företag spåra i realtid vad filmgäster tycker om en viss film, show eller sång. Filmstudior kan använda en skattkista av digitala data för att bestämma hur man marknadsför show och släpp datum för filmer. Till exempel volymen av Google-sökningar på en filmens trailer under månaden före premiären är en ledande prediktor för Oscars vinnare samt kassakontorintäkter. Filmstudior kan kombinera historiska data om filmutgivningsdatum och boxkontorsprestanda med söktrender till förutse idealiska frisättningsdatum för nya filmer.

Mining sociala medier data hjälper också företagen att identifiera negativa känslor innan det spiraler i en kris. En enda tweet från en olycklig inflytelserik kund kan gå viral och forma den allmänna opinionen.

I en studie jag utförde med Yong Tan från University of Washington och Cath Oh från Georgia State University, vi visade hur sådant socialt inflytande bestämmer inte bara vilka YouTube-videor blir mer populära, men också att videoklipp som delas av inflytelserika användare blir ännu mer uppfattade.

En studie visar att när studios uppmärksammar social media buzz innan en film släpps, minskar skillnaden mellan de förutspådda intäkterna och den faktiska intäkten, känd som prognosfelet, med 31-procent.

3. Konsumtionsanalys

Stora data ger bättre synlighet i vilka böcker och visar att människor faktiskt spenderar sin tid att njuta av.

Matematiker Jordan Ellenberg pioneered användningen av Hawking index, en mätning av det genomsnittliga sidnummeret för de fem mest markerade passagerna i en Kindle-bok som en del av den bokens totala längd. Hawkingindexet visar när människor ger upp på en bok. Om en 250-sidboks genomsnittliga Kindle-höjdpunkt visas på sidan 250, skulle det ge ett Hawking-index på 100-procent.

Teorin får sitt namn från Stephen Hawkings "En kort historia i tid". Även om den här boken fortfarande säljer miljoner exemplar om året, läses den också sällan, med ett dyster Hawking-index på 6.6-procent.

När ett företag som Amazon bestämmer vilka böcker som ska rekommenderas till potentiella läsare eller som Prime visar att producera, ser de på detaljerade digitala spår av vilka plotpoäng anlitade publiken och som inte gjorde det. Detta kan hjälpa dem att marknadsföra en kommande release eller att göra bättre rekommendationer till enskilda användare.

Dessutom kan nya typer av artificiell intelligens undersöka vad som gör att människor engagerar sig i kreativt innehåll. Ett företag med namnet Epagogix pionjerade exempelvis ett sätt att använda ett neuralt nätverk - ett verktyg för artificiell intelligens som letar efter mönster i mycket stora mängder data - på en uppsättning skärmskärmar som rankas av experter inom underhållningsindustrin. Därefter kan datorn förutse den ekonomiska framgången för en film. Enligt vissa rapporter, sådan artificiell intelligens kan förutsäga upp till 75 procent av filmens faktiska inledande grosses.

Med tanke på nya stora datainblickar som dessa kan underhållningsföretag snart veta vad just Bridget Jones skulle vilja göra med sin fritid bättre än Bridget själv gör.Avlyssningen

Om författaren

Anjana Susarla, docent i informationssystem, Michigan State University

Denna artikel publiceras från Avlyssningen under en Creative Commons licens. Läs ursprungliga artikeln.

relaterade böcker

at InnerSelf Market och Amazon