文/壹壹的雨晨姐姐、門瑛琦
在線票務平台群雄混戰多年，雙寡頭突圍不過是去年暑假發生的事情。有平台推出“試映會及行銷監測產品”；阿里影業亦於今年初首秀其大數據宣發平台“燈塔”。無疑，雙雄爭霸的這一戰，志在利用“數據”致勝精準發行的新戰場。
無論是因為資本對“故事”與“模式”的渴求，還是由於不可逆的時代發展趨勢，影視行業與大數據的結合已有5年之久，從最初的熱情相擁，到後來的相互抵觸。無論未來如何，壹娛觀察（微信ID：yiyuguancha）不妨先對數據做一番探討與研究，對當下影視行業的數據產品做一番了解與總結。
前言（1）：只要跟數據沾邊，就是大數據麽？--數據分類及影視數據分類
數據不等同於大數據，數據包含大數據以及小數據。
還記得《Big Data》一書前三章的標題嗎？
“01更多—不是隨機樣本，而是全體數據；
02 更雜—不是精確性，而是混雜性；
03 更好—不是因果關係，而是相關關係。”
的確，如舍恩伯格所言，大數據具有體量巨大、忽略特殊性、忽略因果關係等特點。在影視行業中，在線票務平台沉澱的消費數據、閱聽人畫像、評論輿情，播出平台沉澱的收視數據或瀏覽數據、會員畫像、觀影輿情等組成了影視大數據的集合。相對地，小數據的特點則包括：抽樣的、樣本反饋的、包含原因的等等，它們則來源於各類調研公司的調研活動。
大數據如何推動電影行業發展，我們正在探索；而小數據與電影行業的結合可追溯至上世紀20年代。
前言（2）影視數據研究發展的小歷史
圖表來源：凡影周刊
20 世紀20 年代，好萊塢的發行商已經開始對觀影后的觀眾進行出口調研。他們起初是在影院的廁所裡安排訪問，而後建立起了預映制度。
接下來的30年間，George Gallup憑借一篇文章《用科學方法而不是猜測來確定讀者的興趣》正式出道，隨後他不僅成功預測其嶽母在競選中的勝利，並組建了閱聽人研究公司，為好萊塢各大製片廠及獨立片商進行了超過5000次的調查。
二戰前，Leo Handel受雇於米高梅，專職於閱聽人調研與分析；二戰後，他編著了影視調研手冊，其指導及借鑒意義延續至今。
1946年，美國電影協會建立了研究分部，更多官方與民家成立調研機構，促進電影行業小數據統計、分析、預測與決策流程的建立與優化。
到20世紀80年代，觀眾調研和數據分析的標準流程成為每個大片的必經之路。
當代好萊塢電影數據調研體系已發展出七種主要類型的測試，這些調研及其背後的數據分析組成了一個相對完整的體系，滲透於影片從前期發展到發行的各個環節。
調研所處的輿論環境
1. 影視數據調研的核心要點是什麽？
在分別介紹調研工具前，先對其依賴的方法體系做概要性描述，以幫助從業者在挑選調研供應商前，“臨時抱佛腳”。
數據調研的核心要點包括四項：問卷設計、樣本篩選、數據搜集、數據整理與分析。了解運籌學與決策學、大數據邏輯的朋友，不難發現後兩項與上述學科完全一致，隻不過決策學和大數據在其後增加了“決策”這一步驟。在調研過程中並不包含這一步的目的，是把這一步留給專業人員和權威人士。
問卷設計兩分為篩選性問題和調查性問題。顧名思義，篩選性問題通過獲得被調查者的社會屬性（年齡、性別、所在城市）和特殊標簽，用來過濾出合適的被調研對象，調查性問題透析出受訪者對各個問題的行為及態度數據。
在判斷問卷品質及其設計者的能力時，可以參考以下三個指標：
第一，有效性指標--即你的問題可以獲得你想要的答案嗎？
第二，可對話性指標—即你的問題可以讓這場調查進行下去，不至於對方要掀桌子或瞞天過海。
第三，精確性—這條不用解釋。
樣本篩選包含篩選標準的制定和樣本招募兩個環節，後者又包含自行招募與外包招募兩種合作方式。自行招募要求招募方具備適當的2C基礎。外包招募對於一般公司而言更為簡便易行，將專業的事交給專業人士執行是合作型社會的政治正確。
數據收集分為四種方式：線下問卷收集、線上問卷收集、線下訪談數據收集、電話調查數據收集。我們暫且先對線上問卷和線下訪談做簡要對比。
第一，資源層面，線上問卷的調查範圍更廣闊，費用更低，數據收集速度較快，即互聯網調查完勝。
第二，調查層面，線下訪談的調查問題可以更複雜、更多樣、更開放，針對受訪者的態度及時調整問題思路，從而得到更深入的洞察。即線下訪談深度性較好。
第三，數據功效，線上問卷能用量化的方式告訴你你想知道的答案。比如，從抽樣來反推被調研內容是否會被大部分人所接受喜愛、哪部分細分人群是最喜歡的核心閱聽人等。線下訪談則能了解具體某一種標簽人群對於被調研內容的具體態度，收獲的資訊量更大。值得提倡的是，數據搜集方法的選擇，要避免經驗性的固化思維，而更應該辯證地具體問題具體分析。
數據整理與分析，與調研員的經驗與能力息息相關。它要運用數學、統計學的知識方法，結合行業資訊進行多維度的思考與討論，對搜集、整理後的數據進行“解碼和編碼”、“歸納和演繹”，最終形成分析結論。這是調研的核心部分，也是調研中最為複雜的部分。建議多多訓練，多多嘗試，也建議在供應商選擇時，多做考量並慎重評價。
最後，一件容易被忽略又讓人沮喪的是，所有調研都存在誤差。然而，更重要的問題是，找到誤差源、判斷其影響並制定應對方法。當然，有時，放過誤差可能是最為明智的做法。
2.調研工具都有哪些？
結合電影的整個生命周期，調研工具貫穿於製作前後，具體包括：概念測試、市場定位測試、片名測試、物料測試、試映會、行銷監測及出口調研。
首先可以解釋一下概念測試和市場定位測試的區別。在研創投製宣發放的全流程體系裡，概念測試處於項目的研發階段，用於了解開發項目是否具備市場潛力、未來研發創作針對的細分閱聽人是誰。這一項調研更多服務於項目開發和創作期。而市場定位測試則更多傾向於早期宣傳行銷階段，目的在於當項目準備開始進行第一次宣傳前，用實際的項目元素（片名、故事梗概、導演、演員、服裝造型圖等）來了解，目前的項目樣貌應該如何在未來的市場環境中定位自己、以及再次驗證需要重點行銷宣傳的閱聽人是誰。這一項調研更多服務於項目行銷早期。
具體來講，概念測試（Concept Testing）通過測試故事概念和核心理念等要素，評估觀眾的反映並確定目標閱聽人。相比於大數據利用歷史成績匡算未來效益的邏輯，概念測試讓創作回到突破歷史的本質上，但又不喪失大眾藝術本身需要與觀眾對話的基礎。
以下是一份我們經手的一個網大項目《專屬療程》的《概念測試報告》。
在調研1.0版本中，我們沿襲了好萊塢對於閱聽人的標簽制定規則，即通過年齡（25歲）及性別將閱聽人分割為四象限。
閱聽人四象限
如何解決小成本影片的分眾調研需求？可以嘗試將“微博用戶”、“《萬萬沒想到》之類的影片粉絲”等內容作為篩選樣本並結合成組的標簽，其結果是符合上述標簽的閱聽人對擬測試故事的感興趣程度遠高於對照組。這可能會更加貼合電影創作的規律與需求。
這份測試的測試物包括故事主線、人物設定、視覺化風格、特殊元素等，它幫助我們快速完成了一場“關於觀眾是誰”的大戰，清楚地展現了核心目標觀眾—熟男，以及次核心目標觀眾—社會女性。
一旦我們可以提前描摹出目標閱聽人的樣貌，我們就可以通過相應管道積累的閱聽人分布比例、閱聽人池的大小計算圈層收益。所謂圈層收益則是指最有可能第一批觀影的閱聽人規模及其帶來的票房或收益規模。而第二批甚至是第三批觀眾的規模，與影片品質及口碑大大相關，暫時不做估算。在這裡，我不得不提出一種假設，這種假設是這種收益規模預估的基礎，即：一部影片絕對口碑的好壞，需要時間檢驗；然而一部影片相對口碑的好壞，與觀影閱聽人極大相關。這意味著，讓第一波喜歡被測試影片的觀眾觀影得到比其他閱聽人對影片更好地反饋。他們的消費組成了我們計算的核心圈層收益。
看到這裡，不知道創作領域的夥伴是何感受？不妨來回顧娛樂調研公司Market Cast的副總裁兼總經理Henry Shapiro的建議。他曾表示：“調研最直接的目的就是提前得到觀眾的反饋資訊，是進行風險管理和資源配置的一種手段。而且這種手段能夠以很少的錢來確保後續操作的安全性和準確性。當然，這種手段還是代替不了創意部門主管的敏銳觸覺和眼光，但它可以讓創意不會跑出軌。”
片名測試，如字面意義。1943年，電影研究局曾經做出對促使電影觀眾走進影院因素的研究，其中片名排在故事及演員之後，成為非常重要的因素之一。同樣地，物料作為電影的廣告（主要指電影海報、預告片等主要物料），其單價及預算佔比越來越高；五萬元一張海報，十萬元一支預告，已經是時下最普遍的報價，因此相對於片名測試，物料測試的實際意義可能更大。
物料測試可以提前了解觀眾看過物料後對影片的興趣程度，好的物料引發觀影衝動，這類案例不勝枚舉。物料測試結果不代表最終結果，其最大的意義在於幫助創作者聽到最真實的聲音，是否修改和如何修改則留給創作者的“自尊心和創造力”。另一方面，有效的物料傳播意味著“在適當的時間、適合的管道上被恰當的人看到”，因此，在物料不做後續修改的情況下，物料測試可以預知被測試物料對哪部分閱聽人的觀影興趣提升效果最佳，繼而在後續宣傳推廣中有針對性的選擇匹配閱聽人的管道。這種適配性也是物料測試需要回答的問題。
試映會，可以簡單描述為電影的診斷會—一方面，它可以幫助剪輯確定Final檔案，另一方面可以指導物料的投放。讀到這裡，不少製片人夥伴也許會對這種癡人說夢表示幼稚，並舉例說明，XX知名剪輯師對此不屑一顧。然而遠如好萊塢、近有台灣，已有不少大牌剪輯師樂於接受試映會的反饋、傾聽觀眾的聲音。雖然平衡創作人與用戶數據的關係很難，但借用樂創娛樂（原樂視影業）CEO張昭的一句話來砥礪各位：不要讓執行影響了策略。
行銷監測與出口調研是影片上映前後的數據工具。我曾在另一篇文章中探討過行銷監測的低成本方法，參見《三生三世上映前已有票房頹勢？我們從技術角度分析了它的行銷成果和票房前景》。而出口調研是在電影院門口設定調查環節，通過實地采集觀眾在觀影后的反饋，獲取觀影動機、口碑，並以此推斷續集的可能性。
3.那些大數據下的數據工具
相比於小數據調研，大數據指導電影產業發展似乎一直遭到業內人士的普遍抗拒。其實證案例確實也是如此：《紙牌屋》提出所謂運用大數據創作的劇集，不過是確定了類型、導演、演員，這根本不足以支撐起一部完整的內容；同樣地，實驗作品《Sunspring》運用AI完全替代人工，只得出一部支離破碎、不知所雲的作品。
然而，大數據真的無法像改造其他產業一樣，幫助電影產業進步嗎？它利用統計學模型代替專家系統的優勢，難道不能提高電影產業效率嗎？
借用黑格爾的一句話：我們對一個人的質疑和反駁，必須從接受他的前提開始，提出的質疑和反駁才是有效的。
所以我們首先對大數據做進一步研究與闡釋。大數據是在掌握海量數據的技術基礎上所產生的一種判斷和預測的能力。相比於專家通過因果關係得出的模型，大數據則使數據本身變成模型。因為再複雜的模型也無法包羅萬象。而當數據“大”到能對幾乎整個樣本太空進行充分覆蓋時，就可以減弱對模型的依賴，不再需要通過模型去經歷“從特殊歸納到一般，再從一般演繹到特殊”的流程，而是利用大數據去直接實現“從特殊到特殊”的判斷和預測。
正是基於這一特點，大數據在內容推薦系統中被廣泛使用並收效甚好。Netflix總結了大量廣為人知的推薦算法，例如：? Video-Video Similarity，其基礎邏輯是Because You Watched (BYW)，基於你觀看過的某部電影進行相似度計算。除此以外，還有基於類型優先的PVR - Personal Video Ranker、基於個性化優先的Top-NVideo Ranker等等。
同樣地，大數據在作為標準判斷，針對大規模作品給出普遍評價時，具有提高效率的優勢。例如，騰訊影片正在使用的ROI系統，小土科技的劇易評系統。前者尚未公布細節資訊，後者已向部分電視台及網站提供了劇集採購的推薦服務，其系統通過比對近20的收視率與其對應的電視劇劇本，建立了動態的量化模型，通過模型計算評估擬定劇本及項目，並給出採買意見。
以上列舉了我所知曉並認可的影視數據工具，希望在更加資訊透明的市場中，建立數據探討而非批評的研究氛圍。這如同我們在物理課本上所看到的定律與法則，他們各有其適用領域。小數據可以分眾、可以透析原因，從而可以輔助內容創作（這之中也包括行銷策略的制定、物料的修改等）；大數據追求真實完整、解決效率問題，有利於幫助平台篩選內容、分發內容。我們無須做兒童世界非黑即白的選擇，我們更需要的是打開心靈，接納更多的存在及其價值，選擇適合的裝備，迎接挑戰。
借用康德對理性批判的視角，我也要批判數據。我批判數據的目的，不是否定它的作用，而是劃清它適用的界限，以此給自由和創造留出余地，因為我們可能是這個社會中最向往“意志自由、靈魂不朽、上帝不死”的一小撮人。
香港九龍灣馬來街興發大廈15樓D室