Как можно видеть из сравнения, наиболее близкие к реальным результатам оказались оценки для фильмов Ледниковый период 2 и Величайший шоумен. Разница между значениями низкая, поскольку у обоих картин низкий возрастной рейтинг и популярные жанры мультфильма и драмы соответственно. В случае Ледникового периода получилось, что программа даже переоценила сборы в России. Также у фильмов Черная Пантера и Дэдпул 2 разница не превышает десяти миллионов, однако, во всех оставшихся случаях реальные показатели превышают расчеты программы в два или три раза. Разброс в результатах показал, что в будущем необходима доработка модели с учетом других факторов, влияющих на фильмы в реальности, для повышения точности оценки.

3.5 Выводы по третьей главе

В данной главе описан процесс разработки приложения для оценки успешности кассовых сборов фильмов в России: были описаны функциональные требования к программе, проведено проектирование, непосредственно разработка, а также тестирование программы.

На этапе анализа были выделены функциональные требования к программе. Была построена диаграмма прецедентов, а также дано их подробное описание. На этапе проектирования были построены диаграммы активностей для прецедентов и описано поведение программы. На этапе разработки был представлен интерфейс программы и реализация ввода и ограничений. Во время тестирования были проверены ограничения для ввода данных, а также результаты оценки сборов.

Заключение

В ходе работы была исследована проблема оценки успешности кассовых сборов фильмов. Были рассмотрены различные подходы к оценке успешности кассовых сборов фильма в прокате. Можно четко выделить два подхода: нейронные сети и эконометрический анализ. Поскольку эконометрические модели являются понятными для интерпретации результатов, а также более формализованными в сравнении с сетями, они были выбраны в качестве инструмента для дальнейшего анализа данных. Также на этом этапе были выбраны переменные для построения модели.

В качестве исходных данных были выбраны данные по топ-100 самым кассовым фильмам, вышедшим в России в период 2007-2017г. В качестве зависимой переменной была рассмотрена переменная кассовых сборов в России. В качестве регрессоров были выбраны такие показатели как жанр фильма, возрастной рейтинг, принадлежность к одной франшизе, страна-производитель, фильм-адаптация другого произведения и другие (всего 13 переменных).

В ходе моделирования было построено несколько моделей, в частности с логарифмами и нормированными значениями. В итоге из трех моделей: модели сквозной регрессии, модели с фиксированными эффектами и модели со случайными эффектами, лучшей оказалась модель со случайными эффектами, которая включает 11 факторов: жанр фильма, хронометраж, зимнее время года, бюджет фильма, кассовые сборы в США, мировые кассовые сборы, возрастной рейтинг, часть франшизы, номер продолжения в названии, фильм-ремейк, фильм-адаптация.

В ходе интерпретации модели подтвердились гипотезы о положительном влиянии жанровой переменной и негативного влияния возрастного рейтинга на успешность сборов в России. Также подтвердилось положительное влияние факторов является ли фильм адаптацией и наличие чисел в названии. Вопреки ожиданиям, показатель того, что фильм является ремейком другого фильма, оказывает негативное влияние на сборы. Факт того, что фильм выходит в зимнее время года, тоже не оказывает положительного влияния на зависимую переменную.

В процессе разработки приложения были выделены требования к программе, построены диаграммы вариантов использования и активностей, реализована программа и проведено тестирование ввода и расчета кассовых сборов.

В итоге поставленные в начале работы задачи были выполнены, а цель достигнута. В дальнейших исследованиях может быть рассмотрена возможность использования в модели качественных социологических факторов, например, данные семантического анализа отзывов ранних зрителей в социальных сетях. Также можно исследовать влияние количества рекламных трейлеров до выхода фильма в прокат на восприятие потребителя и его выбор просмотра этого фильма в кинотеатре. Соответственно возможно улучшение модели и приложения посредством добавления функции сравнения характеристик фильма с имеющимися в базе данных похожими картинами. Изначально данное приложение было разработано для проверки результатов, получающихся при использовании найденной модели со случайными эффектами. Приложение может помочь продюсерам понять, окупит ли фильм свой бюджет, а также кинопрокатчикам при расчете трат на продвижение. Однако, для повышения точности модели необходимо исследовать другие факторы, поэтому не отклоняется перспектива исследования и изменения приложения путем краудсорсинга - коллективной работы в сети интернет.

Библиографический список

1. Greatest Box-Office Bombs, Disasters and Film Flops: The Most Notable Examples // Greatest Films - The Best Movies in Cinematic History URL: http://www.filmsite.org/greatestflops32.html (дата обращения: 05.04.2018).

2. 'Ben Hur' to 'BFG': Hollywood's Biggest Box-Office Bombs of 2016 // Hollywood Reporter | Entertainment News URL: https://www.hollywoodreporter.com/lists/2016s-biggest-box-office-bombs-958780/item/box-office-bombs-ben-hur-958753 (дата обращения: 05.04.2018).

3. Why So Many Movies Fail // Phil Cooke | Creating Influence - Inspiring Change URL: http://www.philcooke.com/why-so-many-movies-fail/ (дата обращения: 05.04.2018).

4. Using Analytics to Predict Hollywood Blockbusters // Harvard Business Review - Ideas and Advice for Leaders URL: https://hbr.org/2012/10/using-analytics-to-predict-hollywood-blockbusters (дата обращения: 20.12.2017).

5. What can a StoryFit Content Insights tell you? // AI for the Entertainment Industry | StoryFit URL: https://storyfit.com/blog/script-overview-intro/ (дата обращения: 29.03.2018).

6. Как устроен кинопрокат // The Village URL: http://www.the-village.ru/village/business/how/162385-kak-ustroen-kinoprokat (дата обращения: 23.12.2017).

7. Predicting Blockbuster Success // University of Victoria - Web.UVic.ca URL: http://web.uvic.ca/~afyshe/dm_projs/blockbuster_final_report.pdf (дата обращения: 15.12.2017).

8. Tadimari A., Kumar N., Guha T., Narayanan S. S. Opening Big in Box Office? Trailer Content Can Help // Acoustics, Speech and Signal Processing (ICASSP). Нью-Джерси: IEEE, 2016.

9. Basuroy S., Chatterjee S. Fast and frequent: Investigating box office revenues of motion picture sequels // Journal of Business Research. 2008. №7.

10. Orlov D.Y., Ozhegov E.M. Do sequel movies really earn more than non-sequels? Evidence from the US box office // ACEI working paper series. 2016.

11. Shafranskaya I.N., Leontiev D., Ozhegov E. COMPETING WITH FREE: THE EFFECT OF POST-RELEASE MOVIE PIRACY ON BOX-OFFICE REVENUE // Global Marketing Conference at Singapore . 2014.

12. Rhee T. G., Zulkermine F. Predicting Movie Box Office Profitability A Neural Network Approach // Machine Learning and Applications (ICMLA). Нью-Джерси: IEEE, 2016.

13. Bhave A., Kulkarni H., Biramane V., Kosamkar P. Role of Different Factors in Predicting Movie Success // Pervasive Computing (ICPC). Нью-Джерси: IEEE

14. Biramane V., Kulkarni H., Bhave A., Kosamkar P. Relationships between Classical Factors, Social Factors and Box Office Collections // Internet of Things and Applications (IOTA). Нью-Джерси: IEEE, 2016.

15. Box office drivers of motion picture sequels // ProQuest URL: https://search.proquest.com/docview/859261424 (дата обращения: 10.01.2018).

16. Zhang L., Luo, Jianhua.,Yang S. Forecasting box office revenue of movies with BP neural network // Expert Systems with Applications. 2009. №3.

17. Sharda R., Delen D. Predicting box-office success of motion pictures with neural networks // Expert Systems with Applications. 2006. №2.

18. Ghiassi M., Lio D., Moon B. Pre-production forecasting of movie revenues with a dynamic artificial neural network // Expert Systems with Applications. 2015. №6.

19. Ратникова, Т. А. Введение в эконометрический анализ панельных данных / Т. А. Ратникова. // Экономический журнал ВШЭ. - 2006. - 2. - С. 267-316.

20. Дэдпул 2 // Единая федеральная автоматизированная информационная система сведений о показах фильмов в кинозалах URL: http://ekinobilet.fond-kino.ru/films/detail/121009618/ (дата обращения: 23.05.2018).

Приложение 1. Корреляционная матрица

Таблица 1.1. Корреляционная матрица всех переменных

Размещено на Allbest.ru