Genererer nye underholdningsdata. MinDof / shutterstock.com

Enhver, der har set "Bridget Jones's Diary" ved, at et af hendes nytårsforsæt er "Gå ikke ud hver aften, men bliv i og læs bøger og lyt til klassisk musik."

Virkeligheden er dog væsentligt anderledes. Hvad folk rent faktisk gør i deres fritid, stemmer ofte ikke overens med, hvad de siger, de vil gøre.

Økonomer har kaldt dette fænomen "hyperbolsk diskontering." I en berømt undersøgelse med titlen “Betaler for ikke at gå i gymnastiksalen, ”Fandt et par økonomer, at når folk blev tilbudt valget mellem en betaling pr. Besøg og et månedligt gebyr, var de mere tilbøjelige til at vælge det månedlige gebyr og endte med at betale mere pr. Besøg. Det er fordi de overvurderede deres motivation til at træne.

Hyperbolsk diskontering er kun en udfordring ved at operere i en kreativ industri. Smag er yderst subjektiv, og de elementer i plot og fortælling, der gør en film til et enormt hit, kan let gøre en anden til en kritisk og kommerciel fiasko.

I årtier kæmpede annoncører og marketingfolk med at forudsige forbruget af fritidsprodukter såsom film og bøger. Det er lige så udfordrende at bestemme timingen. Hvilken weekend skal et studie udgive en ny film? Når en udgiver frigiver en udgave af en bog, hvordan beslutter de, hvornår de skal frigive e-bogsversionen?

I dag giver big data ny synlighed om, hvordan folk oplever underholdning. Som en forsker, der studerer virkningen af ​​kunstig intelligens og sociale medier, der er tre kræfter, der skiller sig ud for mig som særlig stærke i forudsigelsen af ​​menneskelig adfærd.

1. Økonomi med den lange hale

Internettet gør det muligt at distribuere underholdningsprodukter, der er mindre populære end almindelige succeser. Streaming shows kan få et større publikum end det, der er økonomisk muligt for distribution via prime-time tv. Dette økonomiske fænomen kaldes lang haleeffekt,

Da streamingmedievirksomheder som Netflix ikke behøver at betale for at distribuere indhold i biografer, kan de producere flere shows, der henvender sig til nichepublikum. Netflix brugte data fra deres individuelle kunders visningsvaner til at beslutte at bakke "House of Cards", hvilket blev afvist af tv-netværk. Netflix-data viste, at der var en fan base af film instrueret af Fincher og film med Spacey i hovedrollen, og at et stort antal kunder havde lejet dvd'er fra den originale BBC-serie.

2. Social indflydelse i æraen med kunstig intelligens

På sociale medier kan folk dele, hvad de ser med deres venner, hvilket ellers gør uafhængige underholdningsoplevelser mere sociale.

Ved at udvinde data fra sociale websteder som Twitter og Instagram kan virksomheder spore i realtid, hvad filmgæster synes om en given film, show eller sang. Filmstudier kan bruge en skat af digitale data til at beslutte, hvordan de promoverer shows og udgivelsesdatoer for film. For eksempel volumen af Google søger efter filmens trailer i løbet af måneden før premieren er en førende forudsigelse af Oscar-vindere såvel som box office indtægter. Filmstudier kan kombinere historiske data om filmudgivelsesdatoer og box office-præstationer med søgetendenser til forudsige ideelle udgivelsesdatoer for nye film.

Minedrift af sociale mediedata hjælper også virksomheder med at identificere et negativt sentiment, før det spirer ind i en krise. En enkelt tweet fra en ulykkelig indflydelsesrig kunde kan blive viral og forme den offentlige mening.

I en undersøgelse, jeg gennemførte med Yong Tan fra University of Washington og Cath Oh fra Georgia State University, vi viste hvordan sådan social indflydelse bestemmer ikke kun hvilke YouTube-videoer der bliver mere populære, men også at videoer, der deles af indflydelsesrige brugere, bliver endnu mere bredt set.

En undersøgelse viser, at når studios er opmærksomme på de sociale medier, før en film frigives, reduceres forskellen mellem den forventede indtægt og den faktiske omsætning, kendt som den forventede fejl, med 31 procent.

3. Forbrugsanalyse

Big data giver bedre indsigt i, hvilke bøger og viser folk faktisk bruger deres tid på at nyde.

Matematikeren Jordan Ellenberg var banebrydende for brugen af Hawking-indeks, et mål for det gennemsnitlige sidetal for de fem mest fremhævede passager i en Kindle-bog som en andel af bogens samlede længde. Hawking-indekset viser, hvornår folk opgiver en bog. Hvis en 250-siders bogs gennemsnitlige Kindle-højdepunkt vises på side 250, ville det give den et Hawking-indeks på 100 procent.

Teorien får sit navn fra Stephen Hawking's "A Brief History in Time." Mens denne bog stadig sælger millioner af eksemplarer om året, læses den også sjældent med et dystre Hawking-indeks på 6.6 procent.

Når et firma som Amazon beslutter, hvilke bøger de vil anbefale til potentielle læsere, eller hvilke Prime viser at producere, ser de på detaljerede digitale spor af hvilke plotpunkter, der engagerede publikum, og hvilke ikke. Dette kan hjælpe dem med at promovere en kommende udgivelse eller komme med bedre anbefalinger til individuelle brugere.

Derudover kan nye typer kunstig intelligens undersøge, hvad der får folk til at engagere sig i kreativt indhold. For eksempel var et firma ved navn Epagogix banebrydende for en tilgang ved hjælp af et neuralt netværk - et kunstigt intelligensværktøj der ser efter mønstre i meget store mængder data - på et sæt manuskript vurderet af eksperter i underholdningsindustrien. Computeren kunne derefter forudsige den økonomiske succes for en film. Ifølge nogle rapporter, sådan kunstig intelligens kan forudsige op til 75 procent af filmens faktiske åbningsbrutto.

I betragtning af nye big data-indsigter som disse, vil underholdningsvirksomheder muligvis snart vide, hvad Bridget Jones nøjagtigt gerne vil gøre med sin fritid bedre end Bridget selv gør.

Om forfatteren

Anjana Susarla, lektor i informationssystemer, Michigan State University

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs oprindelige artikel.

Relaterede bøger

at InnerSelf Market og Amazon