票房分析可以说是大数据分析一个非常典型的应用了，具有数据来源多(历史票房数据、社交媒体互动、受众反馈等)、数据量大、影响因子多(用户评价、宣传流量、预售量、档期、题材、流量明星)等等特点，可是真正到实践之中仍然不尽如人意。

图片来自网络

截止到今天，中国首部重工业科幻电影《流浪地球》票房已经突破 41 亿元，很可能会最终突破 50 亿票房。惊人的票房数据让众多票房预测机构大跌眼镜。根据我们的统计，在春节档之前，不同预测机构给《流浪地球》的票房预测普遍在 10 亿左右，与本片的实际票房差距在五倍左右。

与此同时，在春节档其它电影的票房预测上，预测机构也普遍呈现了非常大的偏差，甚至在电影第一天的票房数据之后，猫眼APP 给出的《喜剧之王》的预测值仍然达到了 24.96 亿，而实际上，《喜剧之王》的票房之后就大幅缩水，最终的票房很可能只停留在 6 亿左右。

票房分析可以说是大数据分析一个非常典型的应用了，具有数据来源多(历史票房数据、社交媒体互动、受众反馈等)、数据量大、影响因子多(用户评价、宣传流量、预售量、档期、题材、流量明星)等等特点，可是真正到实践之中仍然不尽如人意。那么，为什么数据预测这么难呢?怎么来提升数据预测的准确性呢?

一、大数据来进行票房预测的三种思路

Datahunter 资深数据分析师介绍称，目前针对电影票房的预测主要有以下三种思路：

第一种思路可以形象的理解为“照猫画虎”，其原理在于：目前市场上已经上映了大量的影片，并积累了海量的票房变动数据，深度神经网络模型可以依据某一部影片的大量用户行为数据，在定档影片上映前一个月就可以给出该片的首日票房预测;同时，系统自动筛选出与之最相似的电影，描绘出待映电影的未来票房走势图，进而预测出这部影片在上映期间的每日票房以及最终的总票房。谷歌所采用的预测模型只选取了三种维度：电影预告片的搜索量、同系列电影前几部的票房表现、档期的季节性特征，最终获得94%的预测准确率。

谷歌建立的票房预测线性回归模型

这种方式的优点在于简单直接，更接近传统大数据分析“只反映趋势，不深究因果”的理念，上映时间越长，其预测的数据就越为精准，往往适用于猫眼等掌握了大量票房数据的企业。但缺点在于，其无法将电影上映过程中众多的复杂因素考虑进来，所以经常会出现预测波动大、与实际偏离值较高等缺陷。

第二种思路则较为复杂，而且会将更多的因子纳入到考量因素中来。其先根据历史票房变化预测出某一个档期的总票房，然后根据社交媒体讨论数量、不同导演与演员的历史电影质量、点映用户的评价、票房情况、SEO情况等预测出各电影票房占比，之后综合预测出各电影的实际票房。这种方式优点在于更多的将“电影评价”这一个重要因子纳入到考量范围内，通过电影导演表现、上映前反馈等等因素来判断出电影的流行趋势，因此预测精准性方面有更好的效果。

第三种思路则综合了大数据分析与人工决策，即先使用大数据分析来对于影片的票房进行一个事先的预测，并输出可视化的数据图表。与此同时，专家会对具体的电影进行分析，找出其潜在的爆点或是隐患，并评估其可能带来的影响，并以加权的方式纳入到模型之中进行修正。这种方式在预测爆品方面有更好的表现，也是 Datahunter 优先推荐的方式，这种方式我们在稍后会继续讲到。

二、票房预测为什么这么难?

尽管有着大量的数据以及先进的工具，但是票房预测仍然没有达到让人满意的精准率，这就要像金融行业中经常谈到的“黑天鹅”概念一样，非常难以预测、且不寻常的事件经常会发生，而且还会引起连锁负面反应甚至颠覆。体现在大数据分析与预测场景中，只要某个隐性但关键的因素没有没纳入到模型中，将可能使预测与事实产生重大偏差。

这也是大数据分析的难点所在：事物变化的影响因素非常多，几乎不可能穷尽，谁知道哪一个因素将会产生连锁式的反应?而且，由于很多大数据分析工具并不考虑因果性，只考虑相关性，经常会带来“虚假相关”的问题，也就是无法对于数据变化的真正原因进行归因。在大多数场景下，这样的预测并没有什么问题，但是在特定的场景下，偏离预测的情况仍有可能会发生。

更加不可控制的则是不成熟的市场环境，以及潜在的风险因素，比如影片档期选择、宣发策略的一招失误，就可能导致整个影片的票房成几倍的误差。而某个关键演员的负面新闻也同样会带来不可预期的影响，例如吴秀波的丑闻导致《情圣2》的撤档，范冰冰事件则直接导致《大轰炸》放弃国内上映，赔的血本无归。在这里我还是要推荐下我自己建的大数据学习交流kou裙：数字515+数字269+数字485 ， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴。

如果将具体电影代入到预测模型中，我们将很容易发现预测的难度：如果使用谷歌预测模型来预测《流浪地球》，只有档期的季节性特征是利于其票房发挥的，其不仅电影预告片的搜索量不及同档期竞争电影，而且同系列的科幻电影几乎没有市场表现，无怪乎得到众多预测机构的看衰。这样的例子并不少，其突出的特点就是口碑的大幅引爆，比如《疯狂动物城》、《白蛇传》、《红海行动》乃至票房榜首《战狼》都属于这个类型。

三、数据预测准确率如何改善?

尽管电影票房预测看似困难重重，但是仍旧可以通过不同的方式进行改善。在前面我们提到了大数据分析与人工决策相结合的方式，其核心原理就是利用人工思维的主观能动性与创造性，发掘电影票房中潜在、但关键的影响因子，最终来得出结论。而这一影响因子是不断发生变化的，几年之前，这一关键因子往往体现在 IP、流量明星中，现在，口碑、开创性对于票房会带来更大的影响。

有些人会问，电影尚未上映，口碑怎么来进行判断呢?其实，这往往是有迹可循的，其数据可能来源于电影的提前点映评价、预告片、拍摄周期等等因素。例如，在上映之前，《流浪地球》的点映就得到了观众的超高评价，而《爱情公寓》大电影还没上映我们就基本可以判断是烂片。当然，这些都是大数据系统无法完全告诉我们的，需要专家进行评判。

要评价电影对于观众的吸引力，还可以采取 LDA 来进行分析，LDA 是一种非监督机器学习技术，可以用来识别大规模文档集(document collection)或语料库(corpus)中潜藏的主题信息。下面是不同机构通过 LDA 对《流浪地球》进行的词云图分析，可以看出《流浪地球》的科幻、特效等核心词汇很好的切中了当前观众的“痛点”，完全可以在预测中给出更高的评判。

四、数据分析的其它应用场景

除了票房之外，其它应用场景可以利用大数据分析+人工决策的方式进行分析么，答案是肯定的。目前 Datahunter 正在搭建 Data Analytics 数据分析平台+Data Wisdom数据智能决策的人工智能决策辅助平台，这套系统并没有激进的将所有决策任务都交给机器系统，而是将数据挖掘结果输出给专家，并结合专家判断进行调整，能够更好的预防“黑天鹅”事件的发生。

例如，在销售数据预测时，除了可以根据历史销售数据、人口密度、消费水平、消费习惯、商圈口碑等数据进行深度数据挖掘之外，管理者或是专家还会根据帕努单那纳入其它的影响因子(例如某项活动的举行、补贴政策的退出等等)，根据结果进行相应的资源调配以及销售额调控措施，让销售更富精准性。