Андрей Татарников - Измерения и прогнозы в киноиндустрии. Модели и эксперименты

В последующем исследовании Де Вани и Уолс исследуют количество недель, проведенных в рейтинге топ-50 по версии журнала Variety для набора 350 фильмов, выпущенных в 1985—1986 годах. Они моделируют продолжительность, используя модель выживания Вейбулла относительно вектора объясняющих переменных, включающего сборы в день премьеры, общую кассу первой недели, количество недель в топ 50 Variety , место в топ 50 Variety и число экранов в день премьеры. Несмотря на то, что все переменные оказались значимыми, авторы выделяют только сборы в день премьеры, утверждая, что увеличение их на 1% ведет к увеличению общей кассы на 11,3% (De Vany, Walls, 1997).

Уолс также использует модель выживания Вейбулла для выборки из 493 фильмов, выпущенных на Гонконгском рынке за период 1994—1996 годов. Используя число недель, проведенных в топ 10 Variety , он рассматривает влияние премьерных сборов и языка фильма (китайский или английский) и приходит к выводу, что касса первой недели положительно воздействует на продолжительность показа, в то время как китайские фильмы, в целом, обладают более коротким жизненным циклом в прокате Гонконга (Walls, 1996).

В еще одной своей совместной работе Де Вани и Уолс рассматривают математические свойства кассовых сборов (и предполагаемой прибыли), используя данные 2 015 кинофильмов, выпущенных за период с 1985 по 1996 год. Они показывают, что доходы имеют распределение Леви (в классе устойчивых распределений) со смещенным экстремумом и теоретически бесконечной дисперсией. Они утверждают, что не существует так называемого типового кино, потому что размеры кассовой выручки расходятся по всем значениям. Авторы оценивают влияние бюджета, наличия звезд (актеров и режиссера), наличия франшизы, жанр, рейтинг и год выпуска на вероятность создания «хита» в структуре переменных с бинарной зависимостью, где под «хитом» понимается фильм, собравший в прокате более 50 миллионов долларов. Авторы считают, что нельзя приписывать успех фильма отдельным факторам, показывая, что восприятие аудитории (определяемое фиктивной переменной для фильмов, которые идут в кинотеатрах больше десяти недель), является самой важной переменной в определении кассовых доходов (De Vany, Walls, 1999).

Большинство аналитиков попыталось предсказать полные кассовые поступления после релиза фильма в кинотеатрах. При этом, некоторые (Litman, 1983), (Eliashberg, Sawhney, 1994) не получали достаточно точных результатов для поддержки принятия решений. Литман (Litman, Ahn, 1998) суммирует и сравнивает исследования, связанные с прогнозированием финансового успеха кинофильмов. Большинство исследований указывает, что кассовые сборы имеют тенденцию затихать после вводной недели. Литман показывает, что 25 процентов общего дохода кинофильма поступают с первых двух недель проката. Таким образом, на основе сборов первой прокатной недели, итоговые сборы конкретного фильма могут быть предсказаны с очень высокой точностью.

Точная оценка кассовых поступлений перед выпуском фильма в прокат – самая трудная и самая важная задача для индустрии, утверждает Рэмеш Шарда (Sharda et al, 2002). Группа американских ученых из Колледжа Информационных систем Менеджмента Университета штата Оклахома под его руководством одной из первых попыталась использовать нейронные сети для рассмотрения проблемы прогнозирования кассовых сборов. Была создана нейронная сеть, позволяющая классифицировать фильмы на основании их сборов по одной из девяти категорий, в пределах от «провала» к «блокбастеру».

Учёные проводили анализ данных о 588 фильмах, выпущенных между 1997 и 2000 годами. При этом применялись наиболее распространенные среди исследователей отрасли показатели: месяц релиза, рейтинг, присвоенный кинематографической ассоциацией Америки (MPAA), конкурентное окружение, наличие или отсутствие в проекте звездных актеров, жанр картины, наличие или отсутствие спецэффектов, количество экранов и факт, является ли фильм продолжением франшизы.

Вышеуказанные переменные приведены в Таблице 1.2. Используется, в общей сложности, 43 переменных (для 8 категорий).

Несмотря на то, что результаты Рэмеша Шарда не сопоставимы непосредственно с результатами более ранних исследований (потому что используемая им модель позволяет лишь отнести конкретный фильм к тому или иному классу, но не предсказывает точечную оценку сборов), они довольно хороши. Результаты исследования показывают, что можно предсказать кассовые сборы кинофильма с 75% точностью при помещении фильма в тот или иной класс перед его релизом. Для сравнения: Соуней и Элайшберг оценивают точность своей модели, предложенной ими в 1996 году, в 71%. Поскольку модель Шарда разработана для того, чтобы предсказать финансовый успех кино перед выпуском в прокат, она может использоваться в качестве хорошего помощника при принятии решений студиями, дистрибьюторами и участниками рынка. В любом случае, полученные результаты еще раз доказывают ценность нейронных сетей при рассмотрении вопросов прогнозирования.