前言

① ScriptBook：運用資料科學方法分析劇本 

② Cinelytic：協助組成對的卡司  

③ Netflix、Amazon、Hulu：創造個人化的觀影推薦

④ 運用預測分析，改善宣傳效果

⑤ Merlin Video：預告片數據分析

結語：分析的重點在於——投資報酬率

前言

電影賣座新公式？預測分析真能為電影製作帶來革命性改變？讓我們來逐一解析。 　

電影工業中有太多這樣的例子：一部即將上映的電影，各方面都看起來很完美，財務及創意資源相繼投入，最後卻在市場上慘遭滑鐵盧。即使是最富才智、最資深的電影製作人都難以解釋失敗的原因，此時資料科學便可提供解答。 　 

在今日的電影工業中，資料科學可在多個方面扮演要角： 

① ScriptBook：運用資料科學方法分析劇本

一家 2015 年創建於比利時安特衛普的公司 ScriptBook，運用劇本文本分析技術，提升影片品質。營運一年後，這家新創公司吸引了 140 萬美元的投資，並於2018年夏季在卡羅維瓦利影展展示其技術。 　 

操作很簡當：將劇本的 PDF 檔載入系統，五分鐘後便輸出一份詳細報告。系統會預估年齡分級、分析角色、指出主角及其敵手、評估每個角色的情緒表現、預測觀眾群（包括性別和種族），並分析可能達成的票房。 　 

據開發者表示，ScriptBook 人工智慧對前景黯淡的電影之鑑別力，較人類好上三倍。ScriptBook 分析了 62 部索尼電影，當中 32 部票房表現不佳。而 ScriptBook 估測出其中 22 部的失敗，顯示大部分的財務損失其實都可以避免。而對於其他 30 部票房亮麗的電影，ScriptBook 都開出綠燈。在此之前，ScriptBook 已學習過 6500 部已上映電影的劇本，評估票房成功的準確率達 84%。 　 

ScriptBook 演算法最準確的預測是 2016 年 12 月於美國首映的《星際過客》。人工智慧很難在財務預測上出錯：這部電影票房收入 1.1 億美元（註：美加地區），預估則為 1.18 億美元。 

② Cinelytic：協助組成對的卡司  

Cinelytic 公司自 2013 年建立一平台，你只要輸入不同演員的名字，它便可告訴你：如果你更換電影卡司中的一個演員，對票房會產生多少影響。 Cinelytic 使用電影票房的歷年數據，並與電影的主題、主要演員等資料配對，然後讓機器學習找出其中的模式。

例如：某部電影預定卡司為巨石強森，你可以在 Cinelytic 的平台上用布魯斯．威利取代巨石強森，然後看看電影票房將如何變化。使用者還能比較不同的設想局面。 　

③ Netflix、Amazon、Hulu：創造個人化的觀影推薦　

知名的成功企業如 Amazon、Hulu 及 Netflix，無一不分析數據隱含的模式，據此決定製作內容的類型及進行個人化的推薦。 　 

為了讓觀眾保持投入，Netflix 創建並持續改良自適串流演算法，使串流品質最佳化，並創造出個人化的使用經驗。Netflix 藉由調整媒體的影像及聲音品質，讓使用者得到最佳體驗。Netflix 同時採用預測快取，使影像播放得更迅速，品質更好。例如當觀眾正在觀看一部影集時，下一集會便會部分緩存。 　 

若把營收作為指標，Netflix 演算法可說大獲成功：自 2015 年 Netflix 利潤已增長超過 30%，年營收超過 166 億美元。 

④ 運用預測分析，改善宣傳效果 　 

如果在下一部電影開始行銷之前，就能預測其效果，不是很棒嗎？如果可以知道最吸引觀眾的元素，並將它用在宣傳活動上，不是很棒嗎？有時候一部好電影就敗在宣傳上。 　 

2018 年電影界最大的失敗之一就是迪士尼的《星際大戰外傳：韓索羅》。2.5 億美元的全球預算，最後只賺回2 .13 億美元。據說行銷是主要原因：太晚推出預告片，宣傳活動火力全開時，距離首映只剩一個月。 　 

預測分析可以用於宣傳活動的每一個環節。美國愛荷華大學的研究指出，某些因素更能左右電影獲利。該研究建立一個資料庫，涵蓋 2000 至 2010 年在美國發行的四千部電影，並建立一預測模式從中找出在商業上獲利的電影共同的因素。  這些因素分成四個群組： 　

► Who－包括因導演及演員而成功的參數。 　 

► What – 電影的類型及年齡分級。 

► When－電影在一年中何時發行，以及當年電影產業有多興隆。 　 

► 綜合屬性－如：電影中某演員是否曾經參演過某類型的電影？

迴歸分析顯示，電影收益深受關鍵因素影響。例如：導演對於電影獲利的重要性相當突出。研究將過去理論研究所建議的因素（如：演員的明星指數、團隊的專業度、團隊的多元化）加以量化，亦有助該研究找出關鍵因素，並在獲利預測中很好地發揮作用。　

⑤ Merlin Video：從預告片分析觀眾群 

劇本文本分析還不足以告訴我們哪些觀眾可能喜歡這部電影、最好針對哪些觀眾群宣傳。因此我們也需要分析預告片。福斯與 Google 雲端合作開發 Merlin 學習程式，藉由分析預告片，試著找出觀眾對不同類型電影的偏好之基礎模式。 　 

Merlin 是混合型的協同過濾（註：利用某興趣相投、擁有共同經驗之群體的喜好來推薦使用者感興趣的資訊，個人透過合作的機制給予資訊相當程度的回應，如評分，並記錄下來以達到過濾的目的進而幫助他人篩選資訊）管道（註：工作流），將過去幾年數百部上映的電影、數百萬筆觀眾到場的記錄，結合不同來源的資料，且完全匿名，保障使用者隱私。 

以電影《羅根》為例，它是漫威漫畫旗下的金鋼狼，作為獨立角色的第三部、也是最後一部電影。《羅根》發行於 2017 年，票房收益 6 億美元（預算不到六分之一）。哪些其他電影能吸引觀眾？大眾喜愛這位英雄的何種特點？分析《羅根》的預告片之後，類神經網路就能回答這些問題。 　 

Merlin 發現，金鋼狼最重要的特點就是「鬍鬚」。其他特徵還有「樹木」、「面部毛髮」、「車子」和「男人」。除了重複出現的頻率外，類神經網路也考慮到這些細節在螢幕上出現的時間。預告片中出現人物的長時間特寫，可能是劇情片的特徵。但若出現快速頻繁的場景變換，則可能是動作片。 　 

然後 Merlin 收集電影口碑、票房、在網路上觀看的次數等資訊，進行比較。在實際觀眾調查中，《羅根》的影迷也喜歡其他 20 部電影，而人工智慧猜中了一半。 　

猜中的並非只限《X 戰警：天啟》、《奇異博士》、《蝙蝠俠對超人：正義曙光》等超級英雄電影。Merlin沒有漏掉《捍衛任務2：殺神回歸》－－一名外貌滄桑的殘暴英雄，如同《羅根》。 　

兩者不一致之處也具啟發性。例如：演算法認為《羅根》的觀眾也會喜歡《泰山傳奇》，顯然是因為螢幕上也出現了大量的樹木。但它卻漏掉了《蟻人》和《死侍》－－兩者的預告片都不那麼戲劇性。 　 

在 2017 年 11 月《大娛樂家》發行之後，二十世紀福斯開始持續採用演算法，除了使用 Merlin Video 分析預告片，也利用 Merlin Text 研究劇本。 　 

對觀眾群的預測，可以應用在已發行的電影，也可用於尚在準備的製作前期。為了檢視預測與實際票房吻合的程度，也需納入應用電影院的售票記錄、影片在線上租借及付費收看的數據。

結語：分析的重點在於——投資報酬率

更多資料科學，造就更多佳片？ 

從決定製作成本，到企劃針對目標市場的行銷活動，資料科學家可以解答看似不可解的謎團。資料科學可以實際應用於電影製作的每個環節，因此別忽略即便是最細微的細節，它們很可能是影響最終結果的決定性因素。 　 

預測性的分析工具可以協助製作人、製片公司及高管進行策略性決策、預測趨勢，並更了解觀眾的習慣。與此同時，許多人憂心這樣的系統會抹殺所有的獨立電影，因為它們獲利並不高，而且偏離常見的模式。但分析的重點不在於營收，而在於投資報酬率。且讓我們拭目以待。 

原文連結：Lights, Camera, Data Science: Predictive Analytics for Film Industry