|
Lautsprecher
|
Transkript
|
| Michael Anderson |
Wir beginnen jetzt offiziell mit der Aufnahme. |
| |
Okay, Sie verstehen, dass dies für die Verwendung bei der Jump Discovery Summit-Konferenz aufgezeichnet wird und in der Jump-Benutzercommunity öffentlich verfügbar sein wird. Erteilen Sie die Erlaubnis für diese Aufzeichnung und Verwendung? |
| |
Ja. |
| |
Hallo, mein Name ist Lavada Blanton. Und ich bin Doktorandin im Masterstudiengang Business Analytics und Data Science der Oklahoma State University. Mein Projekt heißt Netflix oder AMC |
| |
Vorhersage von Release-Strategien im Zeitalter der Optionen. |
| |
Zunächst eine kurze Einführung in mein Projekt. |
| |
Covid-19 zwingt Produktionsfirmen dazu, die mit dem traditionellen Kinostart von Filmen verbundenen Risiken zu beurteilen. |
| |
Streamingdienste wie HBO, Netflix und Amazon waren einst bei Kritikern verpönt, sind heute jedoch zu respektierten Schlüsselspielern in der Filmbranche geworden. |
| |
Dieses Projekt untersucht Schlüsselindikatoren und Kassenerfolge wie IMDB-Wertungen, Bruttoeinnahmen und Kritikerrezensionen, um den besten Filmmix für die Verbreitung im Kino oder über einen Streaming-Dienst zu ermitteln. |
| |
Ziel dieses Projekts ist es, vorherzusagen, ob Filme über Streaming-Dienste oder an den Kinokassen vertrieben werden sollten. Der Erfolg wurde anhand eines IMDB-Scores von 5,5 oder höher gemessen, der über dem Durchschnitt liegt. |
| |
Ich habe 1913 Filmtitel ausgewählt, die zwischen den Jahren 2010 und 2021 veröffentlicht wurden. |
| |
Mir standen verschiedene Attribute zur Verfügung, wie etwa Genre, Premierendatum, Laufzeitbudget, Einnahmen an den Kinokassen und Inhaltsbewertung, die verwendet wurden, um den besten Filmmix für die jeweiligen Veröffentlichungstypen zu bestimmen. |
| |
Wie Sie hier sehen können, gab es weit weniger Streaming-Filme als Kinofilme. Um dem entgegenzuwirken, habe ich die IMDB-Wertung auf 5,5 oder höher gesenkt, und das hat es ein wenig ausgeglichen. |
| |
Als nächstes werde ich meinen Ansatz erläutern. Zuerst habe ich die Daten vorverarbeitet und gesammelt. Dazu gehört das Sammeln von Daten von IMDB, Rotten Tomatoes und den daraus resultierenden Zahlen. |
| |
Als nächstes habe ich Filme gefiltert, die vor 2010 veröffentlicht wurden, und diese aus dem Datensatz entfernt. Außerdem habe ich eine Covid-Flagge für Filme erstellt, die zwischen März 2019 und März 2021 veröffentlicht wurden. |
| |
Und wie Sie hier unten sehen können, gab es einige Transformationen, insbesondere hinsichtlich der Dauer. Die Zeit vor und nach der Transformation wird hier angezeigt. |
| |
Als nächstes habe ich eine Kassenprognose für Streaming-Filme erstellt. Diese wurde mithilfe eines neuronalen Netzwerks mit einer Auswahl von Kinofilmen in JMP Pro erstellt. |
| |
Schließlich habe ich einen Entscheidungsbaum erstellt. Dieser wurde herausgefiltert. Der Datensatz wurde nur mit Filmen ab 5.5 herausgefiltert. Dies reduzierte den Datensatz auf 1400. Und mit der Probe konnte ich für einen kategorischen Entscheidungsbaum entweder Streaming oder Kino als Ziel verwenden. |
| |
Die Anwendungsfälle für diese Daten sind ein Beispiel im Jahr 2019 |
| |
Die globale Filmindustrie ist rund 136 Milliarden Dollar wert. Das bedeutet, dass jeder Aspekt der Filmproduktion mit einem hohen Risiko und Gewinn verbunden ist. |
| |
Und diese Filmmischungen könnten von Führungskräften in großen Produktionsfirmen, bei Streaming-Diensten oder sogar in Kinos verwendet werden, um fundierte Entscheidungen über zukünftige Filme zu treffen. |
| |
Nachfolgend finden Sie eine Liste der fünf erfolgreichsten Filme aller Zeiten. Und wie Sie sehen konnten |
| |
Sie liegen alle bei 7,8 oder höher. Dieser Schnitt zeigt also, dass sich diese hohen IMDB-Wertungen auch auf die Einspielergebnisse übertragen lassen. |
| |
Okay, als Nächstes werde ich mich eingehender mit den Modellen befassen, die ich in JMP Pro verwendet habe. |
| |
Zuerst habe ich ein neuronales Netzwerk erstellt. Dieses neuronale Netzwerk wurde entwickelt, um die Einspielzahlen von Streaming-Filmen vorherzusagen. Wie Sie sehen, hatten wir ein R-Quadrat von 0,87. |
| |
Und das ist ziemlich gut für das neuronale Netzwerk. Als nächstes habe ich eine schrittweise Variablenauswahl durchgeführt. Damit wurde ausgewählt, welche Variablen für die Empfehlungen am besten geeignet wären. |
| |
Zum Schluss habe ich einen Bootstrap-Forest erstellt, um die endgültigen Empfehlungen mit dem Ziel des Verteilungstyps zu erstellen. |
| |
Zum Schluss noch meine Empfehlungen. Ich habe zwei Filme, basierend auf Streaming, und zwei Kategorien, basierend auf Kinofilmen. |
| |
Zuerst habe ich die billigen Wohlfühlkomödien. Diese haben eine durchschnittliche Dauer von etwa 91 Minuten. Sie sind gleichermaßen Komödie und Drama und haben die Altersfreigabe R. |
| |
Und dann haben wir ein durchschnittliches Budget von 2,1 Millionen Dollar. Als nächstes habe ich Big Budget Thrills. Wir haben eine durchschnittliche Dauer von 147 Minuten. Ein Genre |
| |
50/50 Abenteuer/Horror und 50/50 R oder PG-13. Wir haben ein Budget von 146,5 Millionen Dollar. Als nächstes habe ich fürs Kino „Biografische Nachinszenierungen mit kleinem Budget“. |
| |
Dies entspricht einer durchschnittlichen Dauer von 97 Minuten. Das Genre besteht zu 41 % aus Biografien und zu 35 % aus Abenteuern. Wir haben überwiegend PG. |
| |
Und außerdem haben wir ein Budget von 8,6 Millionen Dollar. Und schließlich haben wir die Adventures for All. Das ist eine durchschnittliche Dauer von satten 127,6 Minuten. 73 % davon sind Abenteuer. |
| |
Und dann haben wir 71 % als PG-13 und ein Budget von 10,3 Millionen Dollar. Vielen Dank, dass Sie sich meine Präsentation angesehen haben. Haben Sie Fragen? |
