大數據的時代，你賣電影的方式還是像一場豪賭嗎？

文：陳傑豪，MIGO 執行長

拍電影像賭博、發行商像星探，到底什麼電影才有人看？怎麼找影片才不虧錢？大數據讓顧客和電影配對，並設立電影自動評分機制，避開NG誤區，讓每部電影都像好萊塢鉅作一樣長銷。

《紐約時報》曾在〈Give Viewers What They Want〉文章中如此評論一翻兩瞪眼的影視產業：在美國的電視業裡，沒有什麼事是確定的，也許你找齊金牌導演、實力派演員跟熱門劇本，但還是跟擲骰子一樣，都是在賭。

對於所有以電影為職志的電影工作者來說，要拍一部電影，除非拿到了投資人慷慨的資金，不然就是一場動輒傾家蕩產的千萬賭注。一夕之間，贏者名利雙收；輸了就背一屁股債。

另一方面，除了上游製作端要承擔風險，中游的發行與下游的映演這兩大塊產業也為如何挑選會熱賣的片子，把它們成功地行銷出去傷透腦筋。

影視產業，不管是要讓人願意掏錢買票進電影院、或是讓人願意用電子錢包支付線上觀看的費用，這一切都遠比想像中更困難，尤其現在每年動輒每千部影音作品被產出，誰能脫穎而出？有時連專家都說不準。

賭盤，有沒有機會翻轉呢？

在大數據出現之前，一部影片的獲利模式通常是這樣：從邊際利潤最高的電影院開始，逐步發行至邊際利潤最低的無線電視。其中上映檔期是賣座與否的首要關鍵，包括寒暑假、過年節慶等，另外須考慮播放總數及上映電影院的廳數與地點。

電影市場的風險太大，不可捉摸、不確定的變數太多：就算作品好，賣不出去怎麼辦？發不到院線怎麼辦？發到院線排程排得不好怎麼辦？或者排的量不夠怎麼辦？這些都是問題。

當然也可直接發行錄影帶所拍攝的影片「錄影帶電影」（Straight to Video），雖然沒辦法帶來龐大收入，但同時因為省去了在電影院發行的高額支出，反而可能成功獲利。

除此之外，現在也有愈來愈多的隨選視訊（Video On Demand, VOD）平台出現，也是一種新的影視發展趨勢。它的概念是，平台商買下龐大數量的影視版權，供消費者線上隨選隨看，再按部計價。所以對平台商而言，在購買的版權費用不變的前提下，有愈多部影片被觀看，它的效益才能愈大化。

但多數情況卻是，只有那些好萊塢鉅作、媒體寵兒們在平台上燒得火熱，可能下載次數可以高達百萬次，但假設10萬部影片中只有100部熱賣，剩下那些9萬9900部乏人問津的電影版權費不就是白白浪費了嗎？

影視產業最怕從頭猜到尾：製作端揣測什麼樣的劇本、卡司跟導演會受歡迎；發行跟映演端則想盡辦法挑選最會替他們賺進大筆鈔票的電影。但這一切的答案都沒有人可以回答，只能每次都像在賭盤上賭一把。

但大數據應用在電影產業，便帶來破解之道。

VOD隨選平台長尾效應：100部小眾電影勝過1部好萊塢鉅作

以往我們認為電影要賺錢，一定就要開出像這樣的卡司──史上最賣座的導演詹姆斯卡麥隆，加上票房保證如李奧納多、史嘉蕾喬韓森，再搭配一個經典天才劇本，最後再砸下重金行銷預算，才能成就一部空前絕後的好電影。

不過，長尾理論（The Long Tail）說的可不是這樣。它的基本原理是：再小都能聚沙成塔，用長尾創造市場規模（詳見圖24：電影的長尾獲利策略）。

在影視娛樂業裡，長尾理論可以應用在VOD隨選平台，精準找到自己的觀眾群，用個人化推薦模型（Personalized Recommender Systems）讓喜好不同的觀眾們得到更準確的影片信息，而非只是熱門電影「永遠的TOP 100」，讓其他9萬9900部有機會成為分眾市場冠軍，從而創造更大的娛樂市場。

觀點上最大的改變是：你是要推出一部曠世鉅作，還是要推出100部不同類型的分眾電影？一部曠世鉅作的做法是搏一把，贏了就大贏，輸了就血本無歸；另一種做法就是推出100部五花八門的分眾電影，只要其中80%有賺一點點，加起來就可以比一部曠世鉅作的收益還要好。

從大眾行銷到顧客區隔：用大數據把觀眾分群，再跟電影配對

但要怎麼把這些細分市場劃分出來？這時候要做的除了高度個人化的顧客區隔（Consumer Segmentation），更需要將產品的區隔加進來做交叉（crossing）。

假設今天平台購買了1萬部小成本製作的電影版權，如果要賺錢，最好的情況是把這1萬部電影平均的分配給不同喜好的觀眾們，讓這些電影們各自找到利基（Niche）的市場。

我們先假設平台上有2000萬個觀眾，代表這是一個1萬部影片對上2000萬個觀眾的匹配，如果我能把這1萬部影片細分成1000種分類（segment），那麼對消費者而言，在隨選的過程中就不再只參考熱門排行榜的TOP 100，而是在各自不同的分類裡選擇少數幾部電影，那麼最後挑選的結果就會大不相同。

觀眾在挑選片子時有所謂的「資訊不對稱」，沒有人會在看完1萬部影片的簡介後才決定要看哪一部片，這時候分類所提供的個性化推薦，能為平台商帶來長尾效果，把觀眾平均分到各種影片裡。但少量的分類不足以精準分眾，可能需要上千個分類來描述市場。但1000個分類不可能像過去一樣單靠一份問卷得出，最少也需要10個彼此獨立的維度（dimension）才能夠架構出消費者分類。

什麼是獨立維度？舉例來說，原先經營出租影片事業、現在轉型為線上影音串流平台的Netflix，就透過演算法將自己平台上觀眾的行為分類。他可以知道某一群人在星期天晚上比星期一下午更可能會看恐怖片、也可能知道某一些人喜歡用平板電腦來看片，諸如此類的蛛絲馬跡便可以將觀眾做細微分群。