3 Ways, että Big Data paljastaa, mitä todella haluat katsella, lukea ja kuunnella

3 Ways, että Big Data paljastaa, mitä todella haluat katsella, lukea ja kuunnellaUusien viihdetietojen luominen. MinDof / shutterstock.com

Jokainen, joka on katsonut "Bridget Jonesin päiväkirjaa" tietää yhden hänen uudenvuoden päätöslauselmistaan, on "Älä mene ulos joka ilta, vaan pysy ja lue kirjoja ja kuuntele klassista musiikkia."

Todellisuus on kuitenkin huomattavasti erilainen. Mitä ihmiset todella tekevät vapaa-ajallaan, ei usein vastaa sitä, mitä he sanovat tekevänsä.

Taloustieteilijät ovat kutsuneet tätä ilmiötä "hyperboliseksi alennukseksi".Maksaminen ei mene kuntosalille, ”Muutama taloustieteilijä totesi, että kun ihmisille tarjottiin mahdollisuus valita palkkakäyttösopimuksen ja kuukausimaksun välillä, he valitsivat todennäköisemmin kuukausimaksun ja joutuivat maksamaan enemmän käyntiä kohti. Tämä johtuu siitä, että he yliarvioivat heidän motivaatiotaan työskennellä.

Hyperbolinen diskonttaus on vain yksi haaste luovalle teollisuudelle. Maistelut ovat erittäin subjektiivisia, ja tontin ja kertomuksen elementit, jotka tekevät elokuvasta valtavan osuman, voivat helposti aiheuttaa toisen kriittisen ja kaupallisen epäonnistumisen.

Vuosikymmenten ajan mainostajat ja markkinoijat pyrkivät ennustamaan vapaa-ajan tuotteiden, kuten elokuvien ja kirjojen, kulutusta. On yhtä haastavaa päättää ajoitus. Mikä viikonloppu pitäisi julkaista uusi elokuva? Kun kustantaja julkaisee paperikopion, miten he päättävät, milloin julkaista e-kirjan versio?

Suuret tiedot tuovat nykyään uutta näkyvyyttä siihen, miten ihmiset kokevat viihdettä. Kuten a tutkija keinotekoisen älykkyyden ja sosiaalisen median vaikutukset, minusta on kolme voimaa, jotka ovat erityisen voimakkaita ihmisen käyttäytymisen ennustamisessa.

1. Pitkän hännän talous

Internetin avulla on mahdollista jakaa vähemmän suosittuja viihdetuotteita kuin valtavirran menestykset. Streaming-ohjelmat voivat hankkia suuremman yleisön kuin se, mikä on taloudellisesti mahdollista jakelun kautta ensi-aikaisen television kautta. Tätä taloudellista ilmiötä kutsutaan nimellä pitkä hännän vaikutus,

Koska Netflixin kaltaiset streaming mediayhtiöt eivät tarvitse maksaa sisällön jakeluun elokuvateattereissa, he voivat tuottaa enemmän esityksiä, jotka vastaavat niille tarkoitettuja yleisöjä. Netflix käytti tietoja yksittäisten asiakkaidensa katselutottumuksista, jotta he päättäisivät palata "House of Cards" -palveluun hylkäsi televisioverkot. Netflix-tiedot osoittivat, että Fincherin ja Spaceyn pääosissa elokuvien ohjaamille elokuville oli olemassa fani, ja että suuri osa asiakkaista oli vuokrannut alkuperäisen BBC-sarjan DVD-levyjä.

2. Sosiaalinen vaikutus tekoälyn aikakaudella

Sosiaalisen median avulla ihmiset voivat jakaa, mitä he katsovat ystäviensä kanssa, jolloin muuten itsenäiset viihdekokemukset ovat sosiaalisia.

Kaivostoiminnassa olevat tiedot sosiaalisten sivustojen, kuten Twitterin ja Instagramin, avulla yritykset voivat seurata reaaliaikaisesti, mitä elokuvantekijät ajattelevat tietystä elokuvasta, esityksestä tai kappaleesta. Elokuvastudiot voivat käyttää digitaalisten tietojen aarrepalvelusta päättää, miten mainoksia näytetään ja elokuvien julkaisupäivät. Esimerkiksi Google hakee elokuvan perävaunua ensi-iltansa aikana on johtava Oscar-voittajien ennustaja sekä lipputulot. Elokuvastudiot voivat yhdistää historiallisia tietoja elokuvien julkaisupäivistä ja lipputulotilanteesta hakutrendit että ennustaa ihanteelliset julkaisupäivät uusille elokuville.

Sosiaalisen median tietojen louhinta auttaa myös yrityksiä tunnistamaan negatiiviset mielipiteet ennen kuin he kiertävät kriisiä. Yksi tweet onneton vaikutusvaltainen asiakas voi mennä virukselle ja muodostaa yleisen mielipiteen.

Tutkimuksessa, jonka tein Yong Tanin kanssa Washingtonin yliopistosta ja Cath Oh Georgia State Universitystä, osoitimme miten tällainen yhteiskunnallinen vaikutus määrittää, mitkä YouTube-videot tulevat suosituimmiksi, mutta myös sitä, että vaikutusvaltaisten käyttäjien jaetut videot tulevat entistä laajemmin katsomaan.

Yksi tutkimus osoittaa, että kun studiot kiinnittävät huomiota sosiaalisen median buzziin ennen elokuvan julkaisua, ennustetun tulon ja todellisen tulon välinen ero, jota kutsutaan ennustevirheeksi, vähennetään 31-prosentilla.

3. Kulutusanalyysit

Suuret tiedot antavat paremman näkyvyyden kirjoihin ja näyttävät, miten ihmiset viettävät aikaa.

Matemaatikko Jordan Ellenberg on edelläkävijä Hawking-indeksi, mitta Kindle-kirjan viiden eniten korostetun kappaleen keskimääräisestä sivunumerosta suhteessa kirjan kokonaispituuteen. Hawking-indeksi näyttää, kun ihmiset luopuvat kirjasta. Jos 250-sivun kirjan keskimääräinen Kindle-korostus näkyy sivulla 250, se antaisi sille Hawking-indeksin 100-prosentista.

Teoria saa nimensä Stephen Hawkingin "A lyhyt historia ajassa". Vaikka tämä kirja myy edelleen miljoonia kopioita vuodessa, se on myös harvoin luettavissa, jossa on huono Hawking -indeksi 6.6 prosenttia.

Kun Amazon-yritys, kuten Amazon, päättää, mitkä kirjat suosittelevat potentiaalisille lukijoille tai joita Prime osoittaa tuottavansa, he tarkastelevat yksityiskohtaisia ​​digitaalisia jälkiä joka kuvaa pisteitä, jotka ovat mukana yleisössä ja jotka eivät. Tämä voi auttaa heitä edistämään tulevaa julkaisua tai tekemään parempia suosituksia yksittäisille käyttäjille.

Lisäksi uudentyyppiset keinotekoiset älykkyydet voivat tutkia, mikä saa ihmiset osallistumaan luovaan sisältöön. Esimerkiksi Epagogix-niminen yritys oli edelläkävijä hermoverkkoa käyttävässä lähestymistavassa - keinotekoinen älytyökalu joka etsii malleja hyvin suurissa tietomäärissä - viihdeteollisuuden asiantuntijoiden arvioimissa käsikirjoituksissa. Tietokone voisi ennustaa elokuvan taloudellista menestystä. Joidenkin raporttien mukaan tällainen tekoäly voi ennustaa jopa 75-prosenttiosuus elokuvien tosiasiallisista avauksista.

Uusien suurten tietojen perusteella, kuten nämä, viihdealan yritykset voivat pian tietää, mitä Bridget Jones haluaisi tehdä vapaa-aikanaan paremmin kuin Bridget itse.Conversation

Author

Anjana Susarla, tietojärjestelmien dosentti, Michigan State University

Tämä artikkeli julkaistaan ​​uudelleen Conversation Creative Commons -lisenssin alla. Lue alkuperäinen artikkeli.

Liittyvät kirjat

{amazonWS: searchindex = Kirjat; avainsanat = suuret tietoturvamaksut; maxresults = 3}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

seuraa InnerSelfia

facebook-kuvakeTwitter-kuvakeRSS-kuvake

Hanki uusimmat sähköpostitse

{Emailcloak = off}