量化未知 ——谈电影票房预测【海量服务之道2.0】

我们说，数据是不会说谎的。

我们又说，数据是会说谎的。

我们发现，数据有时候说谎，有时候不说谎。

后来我们找到了一个可以自圆其说的说法：

数据不说谎，说谎的是不完整的数据。

但我们还是没弄明白应该如何去看待数据。

——佚名

起因，我们做了一个票房预测的Demo:

通过特征工程，数据筛选，模型优化，规则完善，我们的系统R2值达到了94.8%，好像和Google[2]比也差不多，一切看上去还不错，但是这样就够了吗？

首周票房预测效果

有一个很好的起点，但是这个Demo有什么用呢？仅仅是在电影上映前看一下娱乐一下，预测准了就是撞大运，预测不准才是正常情况。我们开始思考，前面的工作还只是学校实验室的做法，真正做一个工业上对拍电影有用的系统，那我们需要做什么事情？

仅仅是个开始。

深入—不仅仅是预测

2.1.票房预测

再一次回顾票房预测，我们先看看一部电影的票房是由哪些因素决定的：

我们看到影响票房最重要的几个因素：

• 基本面: 电影的类型，导演，演员，预计的档期，如果是IP电影，还有IP本身的影响力，受众等等，这些因素在电影筹备阶段基本就确定下来。
• 传播度：通过各种营销活动，在互联网产生的影响力，比如搜索/社交/媒体的影响力，当然对应明星导演，相关话题也包括进来，传播度一般在宣发阶段，并且随着电影上映日期的接近逐步变高。
• 排片量：一般是上映前一周才会有排片，排片量的大小一般取决于电影传播度，竞品和档期，这个一般由院线经理根据经验决定，当然如果有足够的排片数据，通过数据驱动的方式生成最优排片，也是未来的一个方向。

票房影响因素分解图

另一方面，结合电影制作流程，票房预测在不同阶段可以拿到的信息有所不同，影响影片票房的因素很多，从影片的筹备制作到影片上映，影响的因素都有所不同，且每个因素对最终票房产生的影响也有着巨大的不同。

电影周期票房影响因子示意图

因此本次根据影片所处的阶段，进一步提供了三种预测模型：

票房预测时间-精度-价值关系

比如《洛克王国4》针对不同阶段，我们给出不同的预测结果：

要提升预测能力，特别是早期预测，需要做什么？

• 预测能力：更看重早期预测能力，预测的区间和置信度，而不是精准度。
• 传播度计算：比较准确的计算电影相关的传播数据
• IP信息挖掘： IP受众人数（粉丝分级，潜在观影转化人数）
• 口碑舆情：分析IP作品口碑，舆论导向，评估IP价值和营销活动效果。

影响力计算

既然影响力的计算的重要，影响力计算主要遇到的问题有哪些呢？

我们抽象为三个问题：

• 识别：能从互联网的各个来源识别出谈论目标IP的数据，这个面临歧义的问题，比如一个典型的例子就是“文章”，很多时候说的并不是“文章”这个明星。
• 评级：不同来源和性质的数据重要度不一样，比如社交网络中，一般认为转发>评论>点赞；搜索数据中，点击>搜索；媒体数据中，权威站点新闻>一般站点.
• 倾向：影响力也不一定是越大越好，比如一个明星遇到违法犯罪的新闻，一定是非常大负的作用，但是娱乐圈常常炒作的一些绯闻，反而对传播度有很大的帮助，一些争议性人物往往能吸引到更多的眼球（范冰冰，你知道有多努力的郭敬明）。

关于语义消歧（Word Sense Disambiguation）在NLP领域是一个比较难的问题，下面是我们在实际工作中遇到的问题分类，每一个都不容易：

WSD业界主流的方法有命名实体识别（NER），还有基于词袋的文本分类模型，语义模型，基于词向量的WSE+WSD等等方法，这块儿有机会专门写一篇文章来介绍。

受众分析

从国外的Marvel的超级英雄系列电影的火爆，到国内《三体》《盗墓笔记》等作品，IP改编电影的风潮越来越盛行。这里很重要的原因：明星IP本身聚集大量的人气，有着大量的粉丝，如果营销得当，很容易把这部分粉丝转化为电影观众。

举一个例子，我们通过腾讯数据计算发现，《十万个冷笑话》大电影，有50%以上的观众都是这个IP动漫的粉丝。

所以受众分析主要集中在几个点：

• IP受众分级(核心用户，潜在用户)。
• 受众画像计算（基本信息，兴趣信息），用于帮助产品营销。
• 明星计算（影响力，受众，形象）。

下面我们给出IP受众分级一个例子：

IP受众分级

明星人物的刻画也是很重要的因素，下面是杨幂的形象关键词：

某个IP的受众画像：

舆情分析

随着网络舆论活跃度的上升，舆情分析基本已经成为一个标配，通过舆情分析，我们可以了解网络民意、提取热点话题，更可以了解一个产品、一个公司的网络形象和社会影响力、提高其公关应变能力和重大事件处理能力。

舆情分析主要分成几个任务：

• 情感分析：主要是正负面情绪倾向的计算
• 舆情观点提取：舆论的主流观点提取，评论主体提取。

舆情分析的具体这里不讨论，具体可以参考文章[4][5]。

舆情计算流程

下面是我们的舆情系统给出的《寻龙诀》的整体概况：

舆情系统示例

主要技术

上面说了这么多，要做好票房预测（尤其是早期票房预测），不仅仅是预测，需要的技术点，我们汇总一下：

基于上面的基础技术能力，我们还能做什么呢，目前想到的有：

合作—腾讯电影+

去年九月份，互娱推出了以优质IP（intellectual property，知识产权）为核心的影视业务平台“腾讯电影+”，这是继腾讯游戏、腾讯动漫、腾讯文学之后，互娱推出的第四个实体业务平台，标志着我司正式布局电影业务。

在这个大背景下，我们和互娱市场部数据营销中心成立了“腾讯影视大数据联合项目”，目标是对影视行业从IP评估，筹备制作，宣传发行，营销排片，公关舆情整个流程提供数据支持服务。

先期以腾讯的五个IP《洛克王国》《择天记》《QQ炫舞》《QQ飞车》《尸兄》为试点案例，为IP改编影视积累方法论，建立影视数据运营体系，

系统怎么做，解决什么问题，大家都没经验，只能摸石头过河。因此，借助互娱的资源，我们一起考察了业界影视数据营销的主要公司：美国传奇影业，伟德福思，华影和艾漫，我们发现大家的做法大同小异，各有特点：

我们要做一个影视数据系统，和竞品比较，主要的特点在哪里，我觉得有几个方面：

1.预测模型：建立电影制作整个周期的预测能力，做到业界领先。

2.基础数据：腾讯独有数据（中国互联网1/3的数据）+内搜专业的外网抓取能力。

3.用户模型：基于腾讯8亿用户的IP受众分析体系。

电影知影系统，还在路上。