|
Oratore
|
Trascrizione
|
| Mike Anderson |
Ora stiamo ufficialmente registrando. |
| |
Bene, hai capito che questa registrazione è destinata all'uso nella conferenza Jump Discovery Summit e sarà disponibile al pubblico nella comunità degli utenti Jump. Dai il permesso per questa registrazione e questo uso. |
| |
SÌ. |
| |
Ciao, mi chiamo Lavada Blanton. E sono una studentessa laureata presso il Master in Business Analytics and Data Science program della Oklahoma State University. Il mio progetto si chiama Netflix o AMC |
| |
Prevedere le strategie di rilascio nell'era delle opzioni. |
| |
Per prima cosa vorrei fare una breve introduzione su cosa riguarda il mio progetto. |
| |
Il Covid-19 ha costretto le case di produzione a valutare i rischi connessi alle tradizionali uscite cinematografiche. |
| |
I servizi di streaming come HBO, Netflix e Amazon un tempo erano malvisti dalla critica, ma ora sono diventati attori chiave e rispettati nell'industria cinematografica. |
| |
Questo progetto esamina gli indicatori chiave e il successo al botteghino, come il punteggio IMDB, gli incassi lordi e le recensioni della critica, per valutare il miglior mix di film da distribuire, sia nei cinema che su un servizio di streaming. |
| |
E l'obiettivo di questo progetto è prevedere se i film debbano essere distribuiti tramite servizi di streaming o botteghino. Il successo è stato misurato da un punteggio IMDB di 5,5 o superiore, che è sopra la media. |
| |
Ho esaminato 1913 titoli di film usciti tra il 2010 e il 2021. |
| |
Per determinare il miglior mix di film in base al rispettivo tipo di uscita, ho utilizzato vari attributi, come genere, data di uscita, durata, budget, incassi al botteghino e classificazione dei contenuti. |
| |
Come potete vedere qui, c'erano molti meno film in streaming che film al cinema. Per controbilanciare ciò, ho ridotto il punteggio IMDB a 5,5 o superiore, e questo l'ha livellato un po'. |
| |
Ora, vi spiegherò il mio approccio. Per prima cosa, ho fatto la pre-elaborazione dei dati e la raccolta dei dati. Ciò implica la raccolta di dati da IMDB, Rotten Tomatoes e i numeri che ne derivano. |
| |
Poi ho filtrato i film usciti prima del 2010 e li ho tolti dal set di dati. E ho creato un flag Covid per i film usciti tra marzo 2019 e marzo 2021. |
| |
E come potete vedere qui sotto, ci sono state alcune trasformazioni specificamente nella durata; la pre e post trasformazione è mostrata qui. |
| |
Poi ho fatto una previsione del botteghino per i film in streaming. Questa è stata prodotta con una rete neurale con un campione di film teatrali in JMP Pro. |
| |
Infine, ho fatto un albero decisionale. Questo è stato filtrato. Il set di dati è stato filtrato solo con film da 5.5 in su. Questo ha ridotto il set di dati a 1400. E, con il campione, sono stato in grado di usare un target di streaming o cinema per un albero decisionale categoriale. |
| |
I casi d'uso per questi dati sono un esempio nel 2019 |
| |
l'industria cinematografica mondiale vale circa 136 miliardi di dollari. Ciò significa che ci sono molti rischi e ricompense coinvolti in ogni aspetto di come viene realizzato un film. |
| |
Questi mix di film potrebbero essere utilizzati dai dirigenti delle principali società di produzione, dei servizi di streaming o persino dei cinema per prendere decisioni consapevoli sui film futuri. |
| |
Di seguito è riportato un elenco dei cinque film con i maggiori incassi di tutti i tempi. E, come hai potuto vedere |
| |
sono tutti 7.8 o superiori. Quindi, questo taglio in un certo senso dimostra che questi punteggi IMDB elevati si traducono in incassi al botteghino. |
| |
Bene, ora approfondirò l'argomento dei modelli che ho utilizzato in JMP Pro. |
| |
Per prima cosa, ho creato una rete neurale. Questa rete neurale è stata creata per prevedere le vendite al botteghino nei film in streaming. Come puoi vedere, avevamo un R quadrato .87. |
| |
E questo è abbastanza buono per la rete neurale. Poi ho fatto una selezione di variabili graduale. Questa è stata usata per scegliere quali variabili sarebbero state più adatte per le raccomandazioni. |
| |
Infine, ho creato una foresta bootstrap per creare le raccomandazioni finali con come obiettivo il tipo di distribuzione. |
| |
Infine, ho i miei consigli. Ho due film, in base allo streaming, e due categorie, in base al cinema. |
| |
Per prima cosa, ho Cheap Feel-Good Comedies. Hanno una durata media di circa 91 minuti. Sono commedia e dramma allo stesso tempo, e sono vietati ai minori di 17 anni. |
| |
E poi ho un budget medio di 2,1 milioni di dollari. Poi ho Big Budget Thrills. Abbiamo una durata media di 147 minuti. Un genere |
| |
50/50 Avventura/Horror, e 50/50 R o PG-13. Abbiamo un budget di 146,5 milioni di dollari. Poi, per il cinema ho Biographical Reenactments on a Budget. |
| |
Questa è una durata media di 97 minuti. Il genere è 41% biografia e 35% avventura. Abbiamo una maggioranza PG. |
| |
E poi, abbiamo un budget di 8,6 milioni di dollari. Poi, infine, abbiamo le Adventures for All. Questa è una durata media di ben 127 minuti e sei minuti. Il 73% sono Adventure. |
| |
E poi abbiamo il 71% come PG-13 e un budget di 10,3 milioni di $. Grazie mille per aver guardato la mia presentazione. Hai domande? |
