大數據的時代,你賣電影的方式還是像一場豪賭嗎?

大數據的時代,你賣電影的方式還是像一場豪賭嗎?
Photo Credit: Michael Coghlan@Flickr CC BY-SA 2.0
唸給你聽
powered by Cyberon

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。

但因為這些分類方式太過龐雜,必須演算成千上萬個消費者在一段時間內的行為、留言等等,讓運算量非常龐雜,又因為需要很快得到答案,所以大數據工具跟方法就變得更必要。

哪部電影會賣?大數據評分模型預測票房

既然不想靠一部大片賺夠本,那麼要讓1萬部影片裡面至少七成賺錢,除了將每部電影細分市場,達到多元且能滿足觀眾個性化需求之外,也必須要建立一套評分機制,才能避開那些「賠錢貨」。

這時候大數據可以發展出一套評分系統,透過整理過去的影片標籤(tag),可以利用迴歸分析找出票房跟標籤之間的關聯性,以做為評分標準。

過去我們如果要預測張藝謀的下一部電影會不會賣座,會發現其中牽扯的因素太多了。張藝謀過去執導的28部電影裡面,男女主角不同、主題不同、上映的環境也不同,你怎麼知道某部片之所以紅是因為張藝謀、還是因為女主角是鞏俐?

在評分模型的觀念中,作法是把所有的變數都列舉出來「屬性化」。舉例來說,張藝謀的標籤可能是「#(hashtag)國際導演」、「#爭議性主題」、「#大片」等等,其他如演員、劇本、以及所有能找到的屬性都貼上標籤,再去比較同檔期的電影票房,就能初步知道票房跟哪些標籤相關性高(加分+)、哪些標籤相關性低(減分-),把架構做出來再去追蹤調整。但在把影片丟進評分模型中預測之前,還必須要考量時間點的因素,包括逢年過節、寒暑假、特殊事件等等。

這預測模型可以運用在單一電影市場前測評估,也可以運用在同檔期的電影競品分析。只要找出導演、主角、主題組合後產生的觀眾偏好值,就能推估未來票房。

這套評分模型能做三件事:一是提供投資者依據,很多天使創投會投資電影,或是新銳導演在網路上群眾募資,但因為作品有限或沒有作品,要如何推斷投資該導演的成功機率是高或低?這時候先列出劇本類型、男女主角,就可以用評分模型算出分數,推估在這樣的排列組合之下可能的票房如何,計算該片的潛力值不值得投資。

二是長尾的獲利模式,可以用評分模型找出有利基市場的小成本影片。假設所有分數超過70分的影片都有投資價值,在這樣的規格下,就算是新銳導演、新劇本、新人男女主角,只要這些項目的分類屬性組合在一起有超過70分,並且成本控制在多少之下,最後獲利的機率就能被估算出來。這時候投資100部電影,只要40部電影賺錢就能回本、60部電影賺錢就獲利50%,這是評分模型的另一種應用。

第三種應用則是自創內容去符合市場缺口。透過影片的分類,可以觀察到市場上有哪些類型的影片還沒有被發掘出來,假設我們用了10個維度去做影片的分類,可以在每個維度上發現各自的數量級是多少。

舉例來說,一般恐怖B級片都會找性感女星當被害的女主角,所以在這個維度上,使用性感女星的影片數量很多、但使用知性女教授的影片可能很少,但該需求卻確實具有分眾的能力,這就是市場的缺口。於是可以根據這些關鍵的市場缺口維度創作劇本,就可以創造出最高的票房價值。

可被自動化的洞察:快速找出市場供需差異

如何把消費者洞察變得更簡單?透過適性化學習(Adaptive Learning)系統,這套電影評分模型就變成「可被自動化的洞察(Automaticable Insight)」。

它的概念是:把評分系統的公式當成一個不斷在自我更新、變化的系統。它會根據當下網友們對影片的討論、時事的影響(例如某導演或影星過世)、甚至是主題與節慶間的關係(例如鬼月時的鬼片)等等不斷調整評分模型的加權。

舉例來說,今天PTT討論區的電影版裡「羅比威廉斯」的聲量(voice)增加了,而在公式的設定中,這個字眼聲量的增加會自動調高評分模式裡對「#羅比威廉斯」標籤(tag)的評分,所以在這段時間內所有羅比威廉斯的電影都會得到加權,自動被排到比較前面。

這就是「可被自動化的洞察」,這個洞察代表市場需求跟市場供給的差異。評分系統就像是一個全自動的篩子,可以篩選有潛力的影片,也可以當作推薦系統的依據,更可以當作市場藍海的探照燈。

電影的長尾獲利策略:長尾理論精準找到不同電影觀眾群,而非只是熱門電影或大製作、大卡司,讓每一部好電影,都有機會成為分眾市場冠軍。
書籍介紹

《大數據玩行銷:改變世界的18個大數據新思維,第1本把大數據變營業額的行銷聖經》,30雜誌

作者:陳傑豪,TonyMIGO 執行長,22歲開始美國創業的冒險,成功地創辦了3間公司,2010年回台灣投入CRM品牌MIGO的經營與轉型,2014年更帶領MIGO與阿里巴巴集團簽署台灣第一紙「大數據應用合作夥伴」合約。

6個Before&After思考、6個國際品牌案例、18個大數據行銷新觀點,一次看懂大數據怎麼用。

責任編輯:鄒琪
核稿編輯:楊之瑜