Поиск
Точное совпадение
Поиск (только) в заголовке
Поиск в контенте
Search in comments
Search in excerpt
Поиск в контенте
Search in pages
Search in groups
Search in users
Search in forums
Filter by Custom Post Type
Искать в категориях
{ "homeurl": "http://cinemaplex.ru/", "resultstype": "vertical", "resultsposition": "hover", "itemscount": 4, "imagewidth": 70, "imageheight": 70, "resultitemheight": "auto", "showauthor": 0, "showdate": 0, "showdescription": 1, "charcount": 3, "noresultstext": "Нет ничего!", "didyoumeantext": "Возможно:", "defaultImage": "http://cinemaplex.ru/wp-content/plugins/ajax-search-pro/img/default.jpg", "highlight": 1, "highlightwholewords": 1, "openToBlank": 1, "scrollToResults": 0, "resultareaclickable": 1, "autocomplete": { "enabled": 1, "googleOnly": 0, "lang": "ru" }, "triggerontype": 1, "triggeronclick": 0, "triggeronreturn": 0, "triggerOnFacetChange": 0, "overridewpdefault": 1, "redirectonclick": 0, "redirectClickTo": "results_page", "redirect_on_enter": 0, "redirectEnterTo": "results_page", "redirect_url": "?s={phrase}", "more_redirect_url": "?s={phrase}", "settingsimagepos": "left", "settingsVisible": 0, "hresulthidedesc": "0", "prescontainerheight": "400px", "pshowsubtitle": "0", "pshowdesc": "1", "closeOnDocClick": 1, "iifNoImage": "description", "iiRows": 2, "iiGutter": 5, "iitemsWidth": 200, "iitemsHeight": 200, "iishowOverlay": 1, "iiblurOverlay": 1, "iihideContent": 1, "loaderLocation": "auto", "analytics": 0, "analyticsString": "", "aapl": { "on_click": 0, "on_magnifier": 0, "on_enter": 0, "on_typing": 0 }, "compact": { "enabled": 0, "width": "50%", "closeOnMagnifier": 1, "closeOnDocument": 0, "position": "static", "overlay": 0 }, "animations": { "pc": { "settings": { "anim" : "fadedrop", "dur" : 300 }, "results" : { "anim" : "fadedrop", "dur" : 300 }, "items" : "fadeInDown" }, "mob": { "settings": { "anim" : "fadedrop", "dur" : 300 }, "results" : { "anim" : "fadedrop", "dur" : 300 }, "items" : "voidanim" } }, "autop": { "state": "disabled", "phrase": "", "count": 10 } }
CINEMAPLEX ВИРТУАЛЬНЫЙ КИНОРЫНОК
X

Трейлер

НЕЙРОСЕТЬ ПРОГНОЗИРУЕТ КАССОВЫЕ СБОРЫ ФИЛЬМОВ


Рая Башинская 22.03.2018 / 17:19 2

На сборы фильмов в прокате влияет множество факторов. Предсказать, что именно и в какой степени вызовет кассовый успех, трудно, но, благодаря современным технологиям, становится возможно. Профессор НИУ Высшей школы экономики Леонид Ясницкий разработал нейросетевую модель, оценивающую финансовый успех практически любого фильма на основании четко формализуемых признаков: стоимости картины, ее длительности и формата.

Целью исследования стала возможность применения экономико-математического моделирования в кинобизнесе для прогнозирования выручки и прибыли от проката кинофильмов и выявлению факторов, влияющих на их коммерческий успех.

В основе экономико-математической модели использовалась нейронная сеть, обученная на известных исторических данных о прокате кинофильмов и включающая 20 входных параметров: затраты на производство фильма, хронометраж, характеристики режиссера, артистов, описание сюжета фильма, страны-производится, жанра и т.д.

Нейронная сеть — это программа, построенная по принципу организации и функционирования нейронных сетей в мозге человека. В отличие от других компьютерных программ, нейросеть способна «обучаться». «Обучение» сводится к нахождению математических коэффициентов связей между программными модулями, играющими роль нейронов. В нейросеть вводят обучающую выборку каких-либо данных, между которыми нейросеть устанавливает математические связи — например, «запоминает», что фильмы с продолжительностью 121 минута приносят большие сборы, чем любые другие, а затем обобщает эти данные. Обученная нейросетевая модель реагирует на изменение входных переменных и ведет себя так же, как вела бы себя сама предметная область, то есть кинобизнес.

После «обучения» нейросети выдаются новые входные данные, в которых есть все то же, что и в обучающей выборке, кроме одного элемента — сборов от фильма. В итоге по уже «заученным» математическим взаимосвязям сеть выдает оценочную цифру таких сборов.

В такой нейросети 20 вводимых параметров являются «нейронами», а выручка — единственным неизвестным, выводимым из моделирования связей между нейронами. Чтобы проверить, насколько точно нейросеть оценивает сборы, после «обучения» в нее ввели данные по 168 фильмам с кассовыми сборами в диапазоне от $1–3 млн, 10% из них вошли в тестовое множество. Предсказания модели почти полностью совпали с реальными сборами.

Самыми значимыми параметрами оказались бюджет киноленты, ее продолжительность и то, является ли фильм сиквелом (следующей серией франшизы). В меньшей степени важны основа сценария, год создания и возраст режиссера.

Компьютерные эксперименты выполнены методом «замораживания»: с помощью нейронной сети производились вычисления при виртуальном изменении одного из входных параметров модели, например, бюджета фильма, тогда как остальные входные параметры сохранялись неизменными. Оказалось, что виртуальное увеличение бюджета фильмов по-разному сказывается на прогнозируемых кассовых сборах фильмов, а также на величине прибыли. В первом случае, виртуальное увеличение бюджета приводит к существенному возрастанию прогнозируемых кассовых сборов и прибыли, тогда как во втором случае кассовые сборы с определенного момента перестают увеличиваться, а рост прибыли замедляется и даже наблюдается ее падение.

По-разному влияют на успех кинобизнеса и другие параметры фильмов. На основании компьютерных экспериментов предложен ряд рекомендаций, которые могли бы способствовать повышению кассовых сборов исследованных фильмов.

Леонид Ясницкий:

Варьируя входные параметры и производя вычисления, можно сформировать конкретный список рекомендаций, способствующих увеличению кассовых сборов и прибыли.

Для проверки этого утверждения были проведены виртуальные компьютерные эксперименты над двумя фильмами с разными бюджетами и кассовыми сборами: КОД ДА ВИНЧИ и ЗВЕЗДНЫЕ ВОЙНЫ. ЭПИЗОД 1: СКРЫТАЯ УГРОЗА.

Бюджет КОДА ДА ВИНЧИ составил $125 млн, а кассовые сборы в мире — $758,2 млн.

Прогноз нейросети:

1. При ступенчатом росте бюджета на $5–30 млн фильм собрал бы в прокате на $12–92 млн больше, прибыль (разность между кассовыми сборами и бюджетом) выросла бы на $7–62 млн.

2. Увеличение продолжительности картины на 5–15 минут привело бы к росту сборов на $3–16 млн.

3. Если бы фильм был сиквелом, его «касса» составила бы не $758, а $900 млн (считается, что на сиквелы зритель идет охотнее, чем на фильмы с абсолютно непредсказуемым сюжетом).

Рекомендации по итогам прогноза: увеличение бюджета на $15 млн и хроно фильма на 3 минуты, а также если бы это был сиквел, привело бы к увеличению кассовых сборов на 25%.

Бюджет ЗВЕЗДНЫХ ВОЙН составил $115 млн, кассовые сборы в мире — свыше $1 млрд.

Прогноз нейросети:

1. Рост бюджета на $5 млн увеличил бы на такую же сумму кассовые сборы, но не сказался бы на прибыли.

2. При дальнейшем росте бюджета сборы остаются прежними, а прибыль сокращается.

3. Даже малейшее уменьшение бюджета несет значительные потери «кассы» и прибыли.

Рекомендации по итогам прогноза: при планировании фильма сумма его бюджета, как и другие параметры, была выбрана оптимально, что обеспечило коммерческий успех картины.

Таким образом, будущее наступает уже сейчас и в довольно прикладном смысле: искусственный интеллект позволяет прогнозировать кассовые сборы и исследовать влияние различных параметров на коммерческий успех фильмов. Зная это и используя предложенную модель, принимать оптимальные бизнес-решения можно еще на этапе планирования будущих фильмов.

По поводу исследования с Леонидом Ясницким можно связаться по адресу yasn@psu.ru

Источник: НИУ ВШЭ, Чердак

 

2 комментария »

  1. Григорий 22 марта 2018 в 20:41 - Ответить

    Я делаю на досуге подобную штуку для российского проката.

    Вот только автор далек от кино и потому не учитывает массу важных признаков, отчего и выводы довольно абсурдные.

  2. Аноним 23 марта 2018 в 5:12 - Ответить

    В первую очередь, тут нет ничего нового, прогнозирование на основе нс уже давно существует; второе, в данном случае модель не совсем верная и с высокой погрешностью предполагает что успех бокс офиса имеет прямое отношение к бюджету картины

  3. Михаил Б. 23 марта 2018 в 20:29 - Ответить

    Практическая ценность подобного рода исследований очень сомнительна. То, что многое определяется бюджетом фильма очевидно и нам. простым смертным, не знающим что такое нейронные сети. Но, как с помощью предложенной модели можно объяснить и более того заранее спрогнозировать «нежданчики» типа провала Джона Картера (бюджет 250 млн) или грандиозные результаты проката Ведьмы из Блэр (бюджет 22 тыс)? Можно рассуждать о возможных сборах состоявшихся блокбастеров, насколько они возросли бы при увеличении бюджета или длительности, но всё это напоминает гадание на кофейной гуще. Как то априори сомнительно, что увеличение длительности фильма привело бы к росту кассовых сборов. Понимаю, когда сокращают длительность, вырезав длинноты, и фильм смотрится динамичнее и количество сеансов может возрасти, а вот увеличение на 5 мин?

    Предлагаю господину Ясницкому прогнать свою модель для случая Картера и Ведьмы и убедиться, что модель не работает

    Хотя, если вспомнить работы его предшественников на подобные темы, например, кандидатскую диссертацию по определению сборов уик-энда на основе анализа рекламных роликов к фильму (!), когда не только исходная идей была крайне сомнительна , но и выкладки сопровождались грубыми ошибками, например, нарушение требования размерности, то надо признать, что отечественная наука сделала шаг вперед. Всё-таки Леонид Нахимович известный специалист в области численных методов, используемых при математическом моделировании

  4. Георгий 25 марта 2018 в 8:53 - Ответить

    Благодаря CINEMAPLEX, мне удалось ознакомиться со статьей полностью. В представленной авторами работе можно довольно быстро найти ряд очень существенных недостатков.

    Первое, что бросается в глаза — очень маленькая выборка фильмов, на которой «обучалась» нейросеть при довольно большом количестве переменных — всего 149 фильмова. При использовании 7 нейронов и приведении всех категориальных признаков (таких как жанр фильма, например) к двоичной форме совокупное количество переменных в модели возрастает до 259. Стандартной практикой является использование выборки не меньшей чем квадрат этого числа, в нашем случае это чуть более 60 тысяч фильмов.

    Чем это плохо? Вместо того, чтобы искать универсальные закономерности, нейросеть подстраивается под имеющиеся данные, у нее просто недостаточно информации, чтобы сделать более универсальные выводы. Это явление называется «переобучением» (overfitting). Именно для выявления подобных ошибок и применяется тестовые данные, но с ними в исследовании тоже не все в порядке.

    Авторы используют крайне маленький размер данных, на которых тестировалась точность модели. 16 фильмов просто недостаточно для того, чтобы понять насколько хороша нейросеть в предсказании сборов фильмов. Точность, о которой пишут авторы, может быть делом случая, тем более что исследователи по какой-то причине не стали использовать метод перекресной проверки, позволяющей получить более взвешенные результаты.

    Иными словами, с большой долей вероятности авторы получили модель, не отличающуюся большой точностью и не проверили ее достаточно хорошо.

    Кроме того, в статье нет информации о том, приводились ли сборы фильмов к ценам одного и того же периода, а так же о том, не учитывались ли номинации и премии режиссеров и актеров, полученные уже после выхода исследуемых фильмов в прокат. Это также может быть серьезной методологической ошибкой, влияющей на результаты исследования.

КОММЕНТАРИИ »


7 + = шестнадцать