|
Conférencier
|
Transcription
|
| Mike Anderson |
Nous enregistrons désormais officiellement. |
| |
Très bien, vous comprenez que ceci est enregistré pour être utilisé lors de la conférence au sommet sur la découverte du saut et sera disponible publiquement dans la communauté des utilisateurs de saut. Donnez-vous la permission pour cet enregistrement et cette utilisation. |
| |
Oui. |
| |
Bonjour, je m'appelle Lavada Blanton. Je suis étudiante diplômée du programme de maîtrise en analyse commerciale et science des données de l'Université d'État de l'Oklahoma. Mon projet s'appelle Netflix ou AMC |
| |
Prédire les stratégies de publication à l’ère des options. |
| |
Tout d’abord, une petite introduction sur mon projet. |
| |
Le Covid-19 oblige les sociétés de production à prendre conscience des risques liés aux sorties traditionnelles de films en salles. |
| |
Les services de streaming tels que HBO, Netflix et Amazon étaient autrefois mal vus par les critiques, mais sont désormais devenus un acteur clé respecté de l'industrie cinématographique. |
| |
Ce projet examine les indicateurs clés et le succès au box-office, tels que le score IMDB, les revenus bruts et les critiques pour évaluer le meilleur mix de films à distribuer, soit dans les salles de cinéma, soit sur un service de streaming. |
| |
L'objectif de ce projet est de prédire si les films doivent être distribués via des services de streaming ou au box-office. Le succès a été mesuré par un score IMDB de 5,5 ou plus, ce qui est supérieur à la moyenne. |
| |
J'ai échantillonné 1913 titres de films sortis entre 2010 et 2021. |
| |
J'avais différents attributs, tels que le genre, la date de première, le budget de durée, les recettes du box-office du cinéma et la classification du contenu, qui ont été utilisés pour déterminer le meilleur mix de films sur les types de sortie respectifs. |
| |
Comme vous pouvez le voir ici, il y avait beaucoup moins de films en streaming que de films en salle. Pour contrer cela, j'ai réduit le score IMDB à 5,5 ou plus, ce qui a un peu équilibré les choses. |
| |
Ensuite, je vais passer en revue mon approche. J'ai d'abord procédé au prétraitement et à la collecte des données. Cela implique la collecte de données à partir d'IMDB, de Rotten Tomatoes et des chiffres qui en découlent. |
| |
Ensuite, j'ai filtré les films sortis avant 2010 et les ai retirés de l'ensemble de données. Et j'ai créé un indicateur Covid pour les films sortis entre mars 2019 et mars 2021. |
| |
Et comme vous pouvez le voir ci-dessous, il y a eu quelques transformations notamment au niveau de la durée, la pré- et post-transformation sont présentées ici. |
| |
Ensuite, j'ai fait une prévision du box-office pour les films en streaming. Cette prévision a été réalisée à l'aide d'un réseau neuronal avec un échantillon de films en salles dans JMP Pro. |
| |
Finalement, j'ai réalisé un arbre de décision. Celui-ci a été filtré. L'ensemble de données a été filtré avec uniquement les films de 5,5 et plus. Cela a réduit l'ensemble de données à 1400. Et, avec l'échantillon, j'ai pu utiliser une cible de streaming ou de cinéma pour un arbre de décision catégoriel. |
| |
Les cas d'utilisation de ces données sont un exemple en 2019 |
| |
L'industrie cinématographique mondiale pèse environ 136 milliards de dollars. Cela signifie qu'il y a beaucoup de risques et de récompenses dans chaque aspect de la réalisation d'un film. |
| |
Et ces mix de films pourraient être utilisés par les dirigeants des meilleures sociétés de production, des services de streaming ou même des cinémas pour prendre des décisions éclairées sur les futurs films. |
| |
Vous trouverez ci-dessous une liste des cinq films les plus rentables de tous les temps. Et, comme vous avez pu le constater |
| |
ils ont tous une note de 7,8 ou plus. Donc, ce montage montre en quelque sorte que ces scores IMDB élevés se traduisent au box-office. |
| |
Bon, ensuite je vais approfondir les modèles que j'ai utilisés dans JMP Pro. |
| |
Tout d'abord, j'ai réalisé un réseau neuronal. Ce réseau neuronal a été créé pour prédire les ventes au box-office des films en streaming. Comme vous pouvez le voir, nous avions un R carré de 0,87. |
| |
Et c'est plutôt bien pour le réseau neuronal. Ensuite, j'ai fait une sélection de variables par étapes. Cela a été utilisé pour choisir les variables les plus adaptées aux recommandations. |
| |
Enfin, j’ai réalisé une forêt bootstrap pour créer les recommandations finales avec comme cible le type de distribution. |
| |
Enfin, j'ai mes recommandations. J'ai deux films, en fonction du streaming, et deux catégories, en fonction du cinéma. |
| |
Tout d'abord, j'ai des comédies bon marché qui font du bien. Elles ont une durée moyenne d'environ 91 minutes. Elles sont à parts égales comédie et drame, et sont classées R. |
| |
Et puis, j'ai un budget moyen de 2,1 millions de dollars. Ensuite, j'ai Big Budget Thrills. Nous avons une durée moyenne de 147 minutes. Un genre |
| |
50/50 aventure/horreur et 50/50 R ou PG-13. Nous avons un budget de 146,5 millions de dollars. Ensuite, pour le cinéma, j'ai des reconstitutions biographiques à petit budget. |
| |
Il s'agit d'une durée moyenne de 97 minutes. Le genre est à 41 % biographie et à 35 % aventure. Nous avons une majorité de films PG. |
| |
Et puis, nous avons un budget de 8,6 millions de dollars. Et puis, enfin, nous avons les Aventures pour tous. Cela représente une durée moyenne de 127 six minutes. 73 % sont des Aventures. |
| |
Et puis nous avons 71% de films PG-13 et un budget de 10,3 millions de dollars. Merci beaucoup d'avoir regardé ma présentation. Avez-vous des questions ? |
