Δημιουργία νέων δεδομένων ψυχαγωγίας. MinDof / shutterstock.com

Όποιος έχει παρακολουθήσει το «Ημερολόγιο της Μπρίτζετ Τζόουνς» γνωρίζει ότι ένα από τα ψηφίσματα της Πρωτοχρονιάς είναι «Μην βγαίνετε κάθε βράδυ, αλλά μείνετε μέσα και διαβάστε βιβλία και ακούστε κλασική μουσική»

Η πραγματικότητα, ωστόσο, είναι ουσιαστικά διαφορετική. Αυτό που κάνουν οι άνθρωποι στον ελεύθερο χρόνο τους συχνά δεν ταιριάζει με αυτό που λένε ότι θα κάνουν.

Οι οικονομολόγοι χαρακτήρισαν αυτό το φαινόμενο «υπερβολική έκπτωση» Σε μια διάσημη μελέτη με τίτλο «Πληρωμή για μη μετάβαση στο γυμναστήριο, "Μερικοί οικονομολόγοι διαπίστωσαν ότι, όταν προσφέρθηκε στους ανθρώπους η επιλογή μεταξύ μιας σύμβασης πληρωμής ανά επίσκεψη και μιας μηνιαίας αμοιβής, ήταν πιο πιθανό να επιλέξουν τη μηνιαία αμοιβή και τελικά κατέληξαν να πληρώνουν περισσότερα ανά επίσκεψη. Αυτό οφείλεται στο γεγονός ότι υπερεκτίμησαν τα κίνητρά τους να ασκηθούν.

Η υπερβολική έκπτωση είναι απλώς μια πρόκληση για τη λειτουργία σε μια δημιουργική βιομηχανία. Οι γεύσεις είναι πολύ υποκειμενικές και τα στοιχεία της πλοκής και της αφήγησης που κάνουν μια ταινία μια τεράστια επιτυχία θα μπορούσαν εύκολα να κάνουν μια άλλη κρίσιμη και εμπορική αποτυχία.

Για δεκαετίες, διαφημιστές και έμποροι αγωνίστηκαν να προβλέψουν την κατανάλωση προϊόντων αναψυχής όπως ταινίες και βιβλία. Είναι εξίσου δύσκολο να αποφασίσουμε το χρονοδιάγραμμα. Ποιο Σαββατοκύριακο πρέπει να κυκλοφορήσει ένα στούντιο μια νέα ταινία; Όταν ένας εκδότης εκδίδει ένα έντυπο αντίγραφο ενός βιβλίου, πώς αποφασίζουν πότε θα κυκλοφορήσουν την έκδοση του e-book;

Σήμερα, τα μεγάλα δεδομένα προσφέρουν νέα προβολή στον τρόπο με τον οποίο οι άνθρωποι βιώνουν ψυχαγωγία. Σαν ερευνητής που σπουδάζει τον αντίκτυπο της τεχνητής νοημοσύνης και των κοινωνικών μέσων μαζικής ενημέρωσης, υπάρχουν τρεις δυνάμεις που με ξεχωρίζουν ως ιδιαίτερα ισχυρές στην πρόβλεψη της ανθρώπινης συμπεριφοράς.

1. Οικονομικά της μακράς ουράς

Το Διαδίκτυο καθιστά δυνατή τη διανομή προϊόντων ψυχαγωγίας που είναι λιγότερο δημοφιλή από τις κύριες επιτυχίες. Η ροή εκπομπών μπορεί να αποκτήσει μεγαλύτερο κοινό από αυτό που είναι οικονομικά εφικτό για διανομή μέσω τηλεοπτικής τηλεόρασης. Αυτό το οικονομικό φαινόμενο αναφέρεται ως εφέ μακράς ουράς,

Δεδομένου ότι οι εταιρείες πολυμέσων συνεχούς ροής όπως το Netflix δεν χρειάζεται να πληρώνουν για τη διανομή περιεχομένου σε κινηματογραφικές αίθουσες, μπορούν να παράγουν περισσότερες εκπομπές που εξυπηρετούν εξειδικευμένο κοινό. Το Netflix χρησιμοποίησε δεδομένα από τις συνήθειες προβολής των μεμονωμένων πελατών τους για να αποφασίσει να υποστηρίξει το "House of Cards" απορρίφθηκε από τηλεοπτικά δίκτυα. Τα δεδομένα του Netflix έδειξαν ότι υπήρχε μια βάση θαυμαστών για ταινίες που σκηνοθέτησε ο Fincher και ταινίες με πρωταγωνιστή τον Spacey και ότι ένας μεγάλος αριθμός πελατών είχε ενοικιάσει DVD της αρχικής σειράς BBC.

2. Κοινωνική επιρροή στην εποχή της τεχνητής νοημοσύνης

Με τα μέσα κοινωνικής δικτύωσης, οι χρήστες μπορούν να μοιράζονται αυτό που παρακολουθούν με τους φίλους τους, κάνοντας διαφορετικά τις εμπειρίες ψυχαγωγίας να γίνουν πιο κοινωνικές.

Με την εξόρυξη δεδομένων από κοινωνικούς ιστότοπους όπως το Twitter και το Instagram, οι εταιρείες μπορούν να παρακολουθούν σε πραγματικό χρόνο τη γνώμη των θεατών για μια συγκεκριμένη ταινία, εκπομπή ή τραγούδι. Τα κινηματογραφικά στούντιο μπορούν να χρησιμοποιήσουν ένα θησαυρό ψηφιακών δεδομένων για να αποφασίσουν πώς να προωθήσουν εκπομπές και ημερομηνίες κυκλοφορίας για ταινίες. Για παράδειγμα, ο όγκος των Το Google αναζητά ένα τρέιλερ μιας ταινίας κατά τη διάρκεια ενός μήνα πριν από την πρεμιέρα της είναι η κορυφαία πρόβλεψη των νικητών του Όσκαρ καθώς και των εσόδων της box office. Τα κινηματογραφικά στούντιο μπορούν να συνδυάσουν ιστορικά δεδομένα σχετικά με τις ημερομηνίες κυκλοφορίας ταινιών και την παράσταση του box office τάσεις αναζήτησης προς την προβλέψτε τις ιδανικές ημερομηνίες κυκλοφορίας για νέες ταινίες.

Η εξόρυξη δεδομένων κοινωνικών μέσων βοηθά επίσης τις εταιρείες να εντοπίσουν αρνητικά συναισθήματα προτού μετατραπεί σε κρίση. Ένα μόνο tweet από έναν δυσαρεστημένο επιρροή πελάτη μπορεί να γίνει viral, διαμορφώνοντας την κοινή γνώμη.

Σε μια μελέτη που διεξήγαγα με τον Yong Tan του Πανεπιστημίου της Ουάσιγκτον και την Cath Oh από το Πανεπιστήμιο της Γεωργίας, δείξαμε πώς αυτή η κοινωνική επιρροή καθορίζει όχι μόνο ποια βίντεο στο YouTube γίνονται πιο δημοφιλή, αλλά και ότι τα βίντεο που μοιράζονται οι επιδραστικοί χρήστες γίνονται ακόμη πιο ευρεία προβολή.

Μια μελέτη δείχνει ότι όταν τα στούντιο δίνουν προσοχή στο buzz των κοινωνικών μέσων πριν από την κυκλοφορία μιας ταινίας, η διαφορά μεταξύ των προβλεπόμενων εσόδων και των πραγματικών εσόδων, γνωστή ως το σφάλμα πρόβλεψης, μειώθηκε κατά 31 τοις εκατό.

3. Αναλυτικά στοιχεία κατανάλωσης

Τα μεγάλα δεδομένα παρέχουν καλύτερη ορατότητα σε ποια βιβλία και δείχνουν ότι οι άνθρωποι περνούν πραγματικά το χρόνο τους απολαμβάνοντας.

Ο μαθηματικός Jordan Ellenberg πρωτοστάτησε στη χρήση του Δείκτης Hawking, ένα μέτρο του μέσου αριθμού σελίδας των πέντε πιο επισημασμένων αποσπασμάτων σε ένα βιβλίο Kindle ως ποσοστό του συνολικού μήκους αυτού του βιβλίου. Ο δείκτης Hawking δείχνει πότε οι άνθρωποι παραιτούνται από ένα βιβλίο. Εάν εμφανιστεί το μέσο Kindle highlight ενός βιβλίου 250 σελίδων στη σελίδα 250, αυτό θα του έδινε δείκτη Hawking 100 τοις εκατό.

Η θεωρία πήρε το όνομά της από το "A Brief History in Time" του Stephen Hawking. Ενώ αυτό το βιβλίο πωλεί ακόμα εκατομμύρια αντίτυπα ετησίως, σπάνια διαβάζεται, με έναν θλιβερό δείκτη Hawking 6.6 τοις εκατό.

Όταν μια εταιρεία όπως η Amazon αποφασίσει ποια βιβλία θα προτείνει σε πιθανούς αναγνώστες ή ποια Prime δείχνει να παράγει, εξετάζει λεπτομερή ψηφιακά ίχνη ποια σημεία σχεδίασης αφορούσαν κοινό και ποια όχι. Αυτό μπορεί να τους βοηθήσει να προωθήσουν μια επερχόμενη κυκλοφορία ή να κάνουν καλύτερες προτάσεις σε μεμονωμένους χρήστες.

Επιπλέον, νέοι τύποι τεχνητής νοημοσύνης μπορούν να διερευνήσουν τι κάνει τους ανθρώπους να αλληλεπιδρούν με δημιουργικό περιεχόμενο. Για παράδειγμα, μια εταιρεία με την επωνυμία Epagogix πρωτοστάτησε σε μια προσέγγιση χρησιμοποιώντας ένα νευρωνικό δίκτυο - ένα εργαλείο τεχνητής νοημοσύνης που αναζητά μοτίβα σε πολύ μεγάλες ποσότητες δεδομένων - σε ένα σύνολο σεναρίων που έχουν βαθμολογηθεί από ειδικούς στον κλάδο της ψυχαγωγίας. Ο υπολογιστής θα μπορούσε τότε να προβλέψει την οικονομική επιτυχία μιας ταινίας. Σύμφωνα με ορισμένες αναφορές, τέτοια τεχνητή νοημοσύνη μπορεί να προβλέψει έως και το 75 τοις εκατό των πραγματικών ανοιγμάτων των ταινιών.

Λαμβάνοντας υπόψη νέες μεγάλες πληροφορίες όπως αυτές, οι εταιρείες ψυχαγωγίας μπορεί σύντομα να γνωρίζουν τι ακριβώς θα ήθελε να κάνει η Μπρίτζετ Τζόουνς με τον ελεύθερο χρόνο της καλύτερα από ότι η ίδια η Μπρίτζετ.

Σχετικά με το Συγγραφέας

Anjana Susarla, Αναπληρώτρια Καθηγήτρια Πληροφοριακών Συστημάτων, Michigan State University

Αυτό το άρθρο αναδημοσιεύθηκε από το Η Συνομιλία υπό την άδεια Creative Commons. Διαβάστε το αρχικό άρθρο.

Σχετικά βιβλία

at InnerSelf Market και Amazon