“大数据”在各行各业彰显出其独特的优势，人们对其的运用也越来越多，大数据对影视行业也产生了巨大影响。目前流行的“边制边播”电视剧以及在大数据指导下的商业市场电影，解决了影视创作者和市场需求的矛盾。

(相关资料图)

当谈及大数据时，舍恩伯格提到了其具有体量巨大、忽略特殊性以及因果关系的忽略等特点。在影视行业中，影视大数据的集合包括在线票务平台沉淀的消费数据、受众画像和评论舆情，以及播出平台沉淀的收视数据、浏览数据、会员画像和观影舆情。相对而言，小数据的特点是抽样的、样本反馈的和包含原因的等，这些数据来源于调研公司的各种调研活动。

大数据具备处理海量数据、快速流转数据以及多样数据类型的能力，通过迅速进行分析，可以节约市场成本并确保数据的准确性，满足不同受众的观影需求，打造具有高商业价值的影视作品，实现共赢。与电影行业的结合相比，小数据与电影行业的结合可以追溯到上世纪20年代。

一、小数据与影视数据研究

在20世纪20年代，好莱坞的发行商开始通过对观影后观众的口头调研来了解他们的反馈。起初，调研是在影院的厕所里进行的，随后建立了预映制度。

在接下来的30年里，George Gallup凭借一篇名为《用科学方法而不是猜测来确定读者兴趣》的文章正式进入这一领域。他不仅成功预测了其岳母在竞选中的胜利，还建立了受众研究公司，为好莱坞的大型制片厂和独立片商进行了超过5000次的调查。在二战前，Leo Handel在米高梅公司工作，专注于受众调研和分析。二战后，他编写了影视调研手册，其指导和借鉴意义至今仍持续存在。

1946年，美国电影协会设立了研究分部，并出现了更多的官方和私人调研机构，促进了电影行业小数据统计、分析、预测和决策流程的建立与优化。

到20世纪80年代，观众调研和数据分析成为每部重要影片的标准流程。当代好莱坞电影数据调研体系已发展出七种主要类型的测试，这些调研及其背后的数据分析构成了一个相对完整的体系，渗透于影片从前期发展到发行的各个环节。

二、数据调研

数据调研的核心要点包括四项：问卷设计、样本筛选、数据搜集、数据整理与分析。了解运筹学与决策学、大数据逻辑的朋友，不难发现后两项与上述学科完全一致，只不过决策学和大数据在其后增加了“决策”这一步骤。在调研过程中并不包含这一步的目的，是把这一步留给专业人员和权威人士。

问卷设计两分为筛选性问题和调查性问题。顾名思义，筛选性问题通过获得被调查者的社会属性（年龄、性别、所在城市）和特殊标签，用来过滤出合适的被调研对象，调查性问题透析出受访者对各个问题的行为及态度数据。

在判断问卷质量及其设计者的能力时，可以参考以下三个指标：

1.有效性指标——得到相应答案。2.可对话性指标——调查持续进行。3.精确性——直击要点。

数据收集分为四种方式：线下问卷收集、线上问卷收集、线下访谈数据收集、电话调查数据收集。

线上问卷比线下问卷收集的调查范围更广阔，费用更低，数据收集速度较快；但在调查层面，线下访谈的调查问题可以更复杂、更多样、更开放，针对受访者的态度及时调整问题思路，从而得到更深入的洞察。

数据功效，线上问卷能用量化的方式告诉你你想知道的答案。比如，从抽样来反推被调研内容是否会被大部分人所接受喜爱、哪部分细分人群是最喜欢的核心受众等。线下访谈则能了解具体某一种标签人群对于被调研内容的具体态度，收获的信息量更大。值得提倡的是，数据搜集方法的选择，要避免经验性的固化思维，而更应该辩证地具体问题具体分析。

数据整理与分析，与调研员的经验与能力息息相关。它要运用数学、统计学的知识方法，结合行业信息进行多维度的思考与讨论，对搜集、整理后的数据进行“解码和编码”、“归纳和演绎”，最终形成分析结论。这是调研的核心部分，也是调研中最为复杂的部分。

三、调研工具

结合电影的整个生命周期，调研工具贯穿于制作前后，具体包括：概念测试、市场定位测试、受众调研、片名测试、物料测试、试映会等多种手段。

在研创投制宣发放的全流程体系里：概念测试处于项目的研发阶段，用于了解开发项目是否具备市场潜力、未来研发创作针对的细分受众是谁。这一项调研更多服务于项目开发和创作期；市场定位测试则更多倾向于早期宣传营销阶段，目的在于当项目准备开始进行第一次宣传前，用实际的项目元素（片名、故事梗概、导演、演员、服装造型图等）来了解，目前的项目样貌应该如何在未来的市场环境中定位、以及再次验证需要重点营销宣传的受众对象，这一项调研更多服务于项目营销前期。

1.受众四象限——受众调研

影片的分众调研，可以尝试将受众按不同标签进行分类，如“豆瓣用户”、“影片粉丝”、“明星粉丝”等具有代表性的标签，其结果是符合上述标签的受众对拟测试故事的感兴趣程度远高于对照组，更加贴合电影创作的规律与需求。

测试故事主线、人物设定、视觉化风格、特殊元素等，可以帮助我们快速确定受众画像，一旦我们可以提前描摹出目标受众的样貌，我们就可以通过相应渠道积累的受众分布比例、受众池的大小计算圈层收益。所谓圈层收益则是指最有可能第一批观影的受众规模及其带来的票房或收益规模。而第二批甚至是第三批观众的规模，与影片质量及口碑大大相关。

2.片名与物料测试

1943年，电影研究局曾经做出对促使电影观众走进影院因素的研究，其中片名排在故事及演员之后，成为非常重要的因素之一。同样地，物料作为电影的广告（主要指电影海报、预告片等主要物料），其单价及预算占比越来越高；五万元一张海报，十万元一支预告，已经是时下最普遍的报价，因此相对于片名测试，物料测试的实际意义可能更大。

物料测试可以提前了解观众看过物料后对影片的兴趣程度，好的物料引发观影冲动，这类案例不胜枚举。物料测试结果不代表最终结果，其最大的意义在于帮助创作者听到最真实的声音，是否修改和如何修改则留给创作者的“自尊心和创造力”。另一方面，有效的物料传播意味着“在适当的时间、适合的渠道上被恰当的人看到”，因此，在物料不做后续修改的情况下，物料测试可以预知被测试物料对哪部分受众的观影兴趣提升效果最佳，继而在后续宣传推广中有针对性的选择匹配受众的渠道。这种适配性也是物料测试需要回答的问题。

3.试映会

可以简单描述为电影的诊断会——它可以帮助剪辑确定Final档案，另一方面可以指导物料的投放。虽然平衡创作人与用户数据的关系很难，但试映会的反馈也代表着不同的声音，也可以侧面映射出影片上映后可能会出现的相关讨论，有极大的参考价值。

四、大数据下的数据工具

大数据是在掌握海量数据的技术基础上所产生的一种判断和预测的能力。相比于专家通过因果关系得出的模型，大数据则使数据本身变成模型。因为再复杂的模型也无法包罗万象。而当数据“大”到能对几乎整个样本空间进行充分覆盖时，就可以减弱对模型的依赖，不再需要通过模型去经历“从特殊归纳到一般，再从一般演绎到特殊”的流程，而是利用大数据去直接实现“从特殊到特殊”的判断和预测。

正是基于这一特点，大数据在内容推荐系统中被广泛使用并收效甚好。Netflix总结了大量广为人知的推荐算法，例如： Video-Video Similarity，其基础逻辑是Because You Watched (BYW)，基于你观看过的某部电影进行相似度计算。除此以外，还有基于类型优先的PVR - Personal Video Ranker、基于个性化优先的Top-NVideo Ranker等等。

同样地，大数据在作为标准判断，针对大规模作品给出普遍评价时，具有提高效率的优势。例如，腾讯视频正在使用的ROI系统，小土科技的剧易评系统。前者尚未公布细节信息，后者已向部分电视台及网站提供了剧集采购的推荐服务，其系统通过比对近20的收视率与其对应的电视剧剧本，建立了动态的量化模型，通过模型计算评估拟定剧本及项目，并给出采买意见。

小数据可以分众、可以透析原因，从而可以辅助内容创作，如营销策略的制定、物料的修改等；大数据追求真实完整、解决效率问题，有利于帮助平台筛选内容、分发内容。

大数据在推测题材、锁定受众、精准营销、获得反馈、制造爆点等方面发挥着无可替代的作用，有助于我们在这个不确定性市场中找到相对确定性。

标签：