3 måter at store data avslører hva du virkelig liker å se, lese og lytte tilGenererer nye underholdningsdata. MinDof / shutterstock.com

Enhver som har sett "Bridget Jones's Diary" vet et av hennes nyttårs resolusjoner er "Ikke gå ut hver kveld, men hold deg inn og les bøker og lytt til klassisk musikk."

Virkeligheten er imidlertid vesentlig forskjellig. Hva folk faktisk gjør i fritiden deres, stemmer ofte ikke overens med det de sier de vil gjøre.

Økonomer har betegnet dette fenomenet "hyperbolisk diskontering". I en berømt studie med tittelen "Betaler ikke for å gå til treningsstudioet, "Et par økonomer fant at når folk ble tilbudt valget mellom en betal-per-besøk-kontrakt og en månedlig avgift, var de mer sannsynlig å velge månedlig avgift og faktisk endte med å betale mer per besøk. Det er fordi de overvurderte sin motivasjon til å trene.

Hyperbolisk diskontering er bare en utfordring for å operere i en kreativ industri. Smaker er svært subjektive, og elementene i tegning og fortelling som gjør en film til en enorm hit, kan lett gjøre en annen til en kritisk og kommersiell feil.

I flere tiår har annonsører og markedsførere slått for å forutsi forbruket av fritidsprodukter som filmer og bøker. Det er like vanskelig å bestemme timingen. Hvilken helg skal et studio slippe en ny film? Når en utgiver publiserer en kopi av en bok, hvordan bestemmer de når man skal slippe e-boksversjonen?


innerself abonnere grafikk


I dag gir store data ny synlighet til hvordan folk opplever underholdning. Som en forsker som studerer Virkningen av kunstig intelligens og sosiale medier, det er tre krefter som skiller meg ut som spesielt kraftig i å forutsi menneskelig atferd.

1. Økonomi i den lange halen

Internett gjør det mulig å distribuere underholdningsprodukter som er mindre populære enn vanlige suksesser. Streamingsprogrammer kan skaffe seg et større publikum enn det som er økonomisk mulig for distribusjon gjennom førsteklasses tv. Dette økonomiske fenomenet er referert til som lang haleffekt,

Siden streamingmediaselskaper som Netflix ikke trenger å betale for å distribuere innhold i kinoer, kan de produsere flere forestillinger som imøtekommer nisjemålere. Netflix brukte data fra sine individuelle kunders visningsvaner for å bestemme seg for å returnere "House of Cards", som ble avvist av fjernsynsnettverk. Netflix-data viste at det var en fanebase for filmer regissert av Fincher og filmer med stjernespillet Spacey, og at et stort antall kunder hadde leid DVDer fra den opprinnelige BBC-serien.

2. Sosial innflytelse i tiden med kunstig intelligens

Med sosiale medier kan folk dele hva de ser på med sine venner, noe som gjør at ellers uavhengige underholdningsopplevelser blir mer sosiale.

Ved å utvinne data fra sosiale nettsteder som Twitter og Instagram, kan bedrifter spore i sanntid hva filmister tenker på en gitt film, show eller sang. Filmstudier kan bruke en skattekiste av digitale data for å bestemme hvordan man skal fremme show og slippe datoer for filmer. For eksempel, volumet av Google-søk i filmens trailer i løpet av måneden før premieren er en ledende spådommer for Oscar-vinnere, i tillegg til inntekter fra kontoret. Filmstudier kan kombinere historiske data om filmutgivelsesdatoer og bokseprestasjon med søk trender til Forutsi ideelle utgivelsesdatoer for nye filmer.

Mining sosiale medier data hjelper også bedrifter til å identifisere negative følelser før det spiraler inn i en krise. En enkelt tweet fra en ulykkelig innflytelsesrik kunde kan gå viral og forme den offentlige mening.

I en studie jeg gjennomførte med Yong Tan fra University of Washington og Cath Oh fra Georgia State University, vi viste hvordan slik sosial påvirkning bestemmer ikke bare hvilke YouTube-videoer som blir mer populære, men også at videoene som deles av innflytelsesrike brukere, blir enda mer utbredt.

En studie viser at når studioene holder oppmerksom på sosial media-buzz før en filmens utgivelse, reduseres forskjellen mellom forventet inntekt og den faktiske inntekten, kjent som prognosefeilen, med 31-prosent.

3. Forbrukeranalyse

Store data gir bedre synlighet i hvilke bøker og viser at folk faktisk bruker sin tid på å nyte.

Matematikeren Jordan Ellenberg pionerer bruken av Hawking-indeksen, et mål på det gjennomsnittlige sidetalren til de fem mest fremhevede passasjerene i en Kindle-bok som en del av den totale lengden på boken. Hawking-indeksen viser når folk gir opp på en bok. Hvis en 250-sideboks gjennomsnittlig tenne høyde vises på side 250, vil det gi den en Hawking-indeks på 100 prosent.

Teorien får navnet sitt fra Stephen Hawking's "A Brief History in Time." Mens denne boken fortsatt selger millioner av eksemplarer om året, leses den sjelden med en svimlende Hawking-indeks på 6.6-prosent.

Når et selskap som Amazon bestemmer hvilke bøker som skal anbefales til potensielle lesere eller som Prime viser å produsere, ser de på detaljerte digitale spor av hvilke plott poeng engasjerte publikum og som ikke gjorde det. Dette kan hjelpe dem med å fremme en kommende utgivelse eller å gi bedre anbefalinger til enkeltbrukere.

I tillegg kan nye typer kunstig intelligens undersøke hva som gjør folk engasjere seg med kreativt innhold. For eksempel et selskap ved navn Epagogix pionerer en tilnærming ved hjelp av et neuralt nettverk - et kunstig intelligensverktøy som ser etter mønstre i svært store mengder data - på et sett med skjermer vurdert av eksperter i underholdningsindustrien. Datamaskinen kan da forutsi den økonomiske suksessen til en film. Ifølge noen rapporter, slik kunstig intelligens kan forutsi opp til 75 prosent av filmens faktiske åpning grosses.

Gitt nye store datainnskudd som disse, kan underholdningsfirmaer snart vite hva akkurat Bridget Jones vil gjerne gjøre med fritiden sin bedre enn Bridget selv gjør.Den Conversation

Om forfatteren

Anjana Susarla, lektor i informasjonssystemer, Michigan State University

Denne artikkelen er publisert fra Den Conversation under en Creative Commons-lisens. Les opprinnelige artikkelen.

Relaterte bøker

at InnerSelf Market og Amazon