口碑与票房:社会化媒体电影评论的商业价值研究

2015-03-07 12:02朱梦娴
信息资源管理学报 2015年4期
关键词:社会化变量预测

朱梦娴

(武汉科技大学图书馆,武汉,430081)

口碑与票房:社会化媒体电影评论的商业价值研究

朱梦娴

(武汉科技大学图书馆,武汉,430081)

[摘要]社会化媒体日益成为人们评论影片的主要渠道和口碑营销的新兴载体。本文以“豆瓣电影”和“新浪微博”两个社会化媒体平台上的24部影片评论信息为研究对象,选取两个平台上具有代表特征的数据项进行电影总票房和动态周票房的预测研究,得出用两个平台分别预测电影总票房和周票房的通用模型,并对电影制片方和影院的营销策略提出相关建议。

[关键词]社会化媒体豆瓣电影新浪微博电影评论商业价值商业预测

随着Web2.0变革迅速发展,各类社会化媒体的用户注册数和用户创造内容的规模急剧膨胀,越来越多的各个行业的企业意识到社会化媒体带来的全方位挑战,从而努力在战略或营销上寻找变革机会和发展对策。社会化媒体的商业价值主要体现在其深刻影响着用户的消费理念和消费行为,用户之间通过社会化媒体这一途径,互相宣传和传播产品的价值信息,影响扩大产品宣传力度,实现产品品牌的影响力扩大和有效提升。这种新兴媒体已逐渐成为当前环境下口碑营销、事件营销、活动营销以及精准营销的强有力载体[1]。

1相关研究综述

社会化媒体的广泛使用使其商业价值愈发凸显。与传统媒体不同,社会化媒体具有自身的广泛传播性和以用户为中心、多对多交流的特性,使得商家利用其进行的营销策略大有不同,其内容的多样性、规律性对预测商业数据具有特定价值。随着社会化媒体的个人表达性越来越强,消费者的意见和体验对其他消费者的影响也与日俱增,社会化媒体对消费者购买力的影响逐渐超越企业广告[2]。在社会化媒体上,用户的共同点是更相信有共同经历的陌生人,他们习惯从朋友或者其他陌生人那里获取信息,从而进行购买决策[3]。社会化媒体的有用性、依赖性、涉入性、社交性对消费者购买意愿有正向影响[4]。据中国电子商务研究中心报道,美国逾80%的大广告客户在Facebook做广告;Google预计,2015年超过75%的广告都具有SNS属性[5]。

在社会化媒体的预测价值方面,国内外现有研究表明,社会化媒体凭借其聚合的优势,可以积聚众用户的信息去预测实际市场情况。在经济市场[6](如股票价格、经济波动等)、人们的幸福感[7]、图书销售情况[8]、电影票房[9-10]、道琼斯指数[11]等方面都有着非常好的预测效果。

关于社会化媒体对电影票房的预测,国内外研究表明:博客、新闻、Twitter等社会化媒体数据的用户情感都与电影票房呈正相关,网络口碑在不经常看电影的用户中影响更为明显,若当口碑是负面的,对用户的影响更为持久[12]。Mishne和Glance[10]通过搜集社会化媒体用户对预告电影带有积极情感和消极情感评论的数据,得出博文的内容与电影的最终成功与否具有很强的相关性。Zhang和Skiena[13]发现用新闻数据情感预测的票房和IMDB(Internet Movie Database,互联网电影资料库)得分数据对票房预测具有类似效果。Asur和Huberman[14]通过搜集Twitter上接近三百万条有关24部电影的Tweets,构建线性回归模型,运用用户发表Tweets的数量和内容预测电影票房,研究表明其有效性上远远高于基于市场的预测体系。除了对电影票房有预测价值,Twitter数据与电视剧收视率之间也存在联系,徐学鹏[15]在研究中证实了Twitter上的内容与美剧收视率之间呈正相关。

与单一平台研究不同,郑亚琴等[16]依据电影观众在新浪微博、时光网以及豆瓣网等社会化媒体平台上的电影预告期内的活跃度数据与预期票房数据,进行相关性分析,得到利用预告期内社会化媒体用户活跃度进行票房预测具有较高精准性的结论。然而预告期内用户活跃度指标单一,电影关注度较少,大多数电影在上映后才引起广泛关注,用户更关注看过电影的人对其的评价,故此研究具有一定的局限性。

综合目前国内外成果来看,关于社会化媒体商业价值的研究日益丰富,其商业预测性也涵盖了诸多领域,但现有研究大多集中于单一平台、单一数据项、运用静态数据或上映前数据进行预测分析,存在局限和不足。本文立足电影这一社会化媒体上的热门领域,基于社会化媒体用户口碑会对影片票房产生影响这一假设,研究电影评论中的用户发文数、评分、情感等因素对影片票房的预测作用,从而探讨社会化媒体电影评论的商业价值所在。与现有类似研究相比,本文的研究突破单一平台,且引入多维变量,深入探讨不同的电影评论相关变量对票房的组合影响;除了进行总票房的预测分析外,本文还加入时间轴,引入每周的动态数据来预测周票房,为电影制片方和影院的营销策略提供更具实用价值的参考。

2数据采集及处理

2.1 数据来源及采集

本文在“豆瓣电影”和“新浪微博”两个社会化媒体平台上选取24部影片信息,平台及24部影片的选取方式、影片相关数据详情及采集方式参见笔者前期研究论文[17]。

对于票房数据的获取,本文选择了“艺恩咨询”[18]。“艺恩咨询”是中国领先的消费者意见评级服务和研究咨询服务提供商,其数据产品“艺恩娱乐决策智库”[19]全面跟踪研究娱乐产业尤其是电影产业发展趋势,统计分析市场商业数据,其中可获取某部影片的总票房、日票房分布、影院分布、当前场次等信息。选择“艺恩娱乐决策智库”作为24部影片总票房和日票房数据的来源。通过“艺恩数据库”搜索,分别获取24部影片的“总票房”和“日票房”信息。其中“总票房”的数据可以直接获取,“日票房”信息为每部电影上映后4周时间段内的每日票房。

2.2 数据处理及准备

本文采集的数据分为社会化媒体数值数据、情感文本数据以及票房数据三类。社会化媒体数据指“豆瓣电影”中每日的短评数、评分按时间的分布情况等以及新浪微博中每日博文/转发/评论数等;情感文本数据指两个平台中用户短评及微博文这类评论信息对电影的情感量化;票房数据指24部影片的总票房以及每日的票房数。

对于社会化媒体数值的处理,参见文献[17],并进一步对“豆瓣电影”的评分数据项做了详细处理。“豆瓣电影”的评分分为五个档:力荐、推荐、一般、较差、很差,分别用5分至1分对其进行量化标识。通过计算分析得到每部电影的每日评分平均分及“评分比例”,“评分比例”用F表示,则F=(力荐+推荐)/(较差+很差),即打分高于3分的用户数与打分低于3分的用户数的比例,这个比值与单纯的评分平均分有一定的差异,除去了中性评价的分数,更能代表用户情感倾向的两极化差异,更能准确地表示用户的情感。

对于情感文本数据的处理亦参见文献[17],得到24部影片在“豆瓣电影”和“新浪微博”两个平台上上映前2周和上映后4周每周的情感比例(Q)。

对于票房数据的处理,每部电影的总票房数据可从艺恩数据库中直接获取。获取“日票房”数据后,以“周”为时间段进行统计,得到每部电影上映之后4周时间段内的每周票房数。

3社会化媒体数据对电影总票房的预测

随着社会化媒体的快速发展,网络口碑逐渐成为社会趋势的风向标,本文中采用“豆瓣电影”和“新浪微博”两个平台上的网络口碑相关信息,运用SPSS工具的回归分析,研究这些变量对总票房的预测作用,变量列表及说明见表1。

表1 两平台的变量列表及说明

3.1 “豆瓣电影”数据对总票房的预测分析

在电影上映之前,社会化媒体网站上用户发表看法的人数较少。笔者的另一研究表明,大部分电影在上映第1周用户对电影的讨论以及情感表达都较多。假定电影上映前2周的情感以及上映第1周的情感对分析有价值,若是一部电影在上映前关注度不够且在上映第1周也不是很理想,那么这部影片票房高的可能性较小。

本文选择8个变量进行总体票房的预测分析,分别为上映前2周以及上映第1周的日均短评、日均评分、评分比例以及情感比例。分别将以上变量与总票房数据进行线性回归,得到拟合程度最佳的变量为上映第1周的日均短评(R2=0.650,且显著度P=0.000为最优),其余单一变量对总体票房的回归拟合程度均不理想。接下来将这8个变量两两结合形成组合双变量进行回归分析,寻求拟合效果更优、显著度更高的组合,之后挑选出最优组合进一步添加变量进行线性回归分析。

变量两两组合对总票房进行线性回归分析后,得到用“豆瓣电影”第1周日均短评和第1周情感比例的组合效果最好(R2=0.738,P=0.000),在此基础上进一步添加变量,得到线性拟合效果最好的组合为“豆瓣电影”第1周日均短评、第1周评分比例和第1周情感比例的组合(R2=0.819,P=0.000)。三个变量组合对总票房进行线性回归得到回归方程公式(1),图1为回归标准化预计值的散点图,回归拟合效果较好。

y=16.65a1-565.43a2+8007.93a3-10076.74

(公式1)

a1:第1周日均短评;a2:第1周评分比例;a3:第1周情感比例。

图1 豆瓣数据预测总票房回归标准化预计值

3.2 “新浪微博”数据对总票房的预测分析

同上,选择“新浪微博”数据的8个变量进行总体票房的相关性分析,分别为上映前2周以及上映第1周的日均博文、日均转发、日均评分以及情感比例。首先将总票房作为因变量,8个变量依次作为自变量进行线性回归分析,可得到8个变量中,对总票房线性回归拟合优度最高的是第1周日均博文(R2=0.736,P=0.000)。接下来将这8个变量两两结合形成组合双变量进行回归分析,得到用“新浪微博”前2周日均博文和第1周日均博文的组合效果较好(R2=0.834,P=0.000),在此基础上进一步添加变量,得到线性拟合效果最好的组合为“新浪微博”前2周日均博文、前2周情感比例以及第1周日均博文(R2=0.843,P=0.000)。此组合对票房的线性回归结果虽然较两个变量的组合效果稍微提升,但进一步分析发现,前2周情感比例这一变量对票房的贡献度非常低,故在“新浪微博”中,认为将上映前2周的日均博文和上映第1周的日均博文这两个变量相结合,就能够较好地预测电影票房。两个变量组合对总票房进行线性回归得到回归方程公式(2)。图2为回归标准化预计值的散点图,回归拟合效果较好。

y=-72.96b1+10.81b2+7950.44

(公式2)

b1:上映前2周日均博文;b2:第1周日均博文。

从两个数据集中得到的模型结果可见,在“豆瓣电影”中,上映后第1周的数据对总票房的影响较大,变量因素有:日均短评、评分比例以及情感比例;而在“新浪微博”中,上映前2周和上映后第1周的“日均博文”数对总票房的影响较大,其他诸如转发、评论、情感比例等因素对票房的影响并不显著。

图2 微博数据预测总票房回归标准化预计值

4社会化媒体数据对电影周票房的预测

假设潜在观影者会根据之前看过电影的朋友对其的评价及其他因素,来决定是否去观看该影片,从而影响后续影片票房。本节中加入时间轴进行动态预测分析,弥补总票房预测中缺乏动态性这一不足,更精确反映上一周社会化媒体口碑对下一周票房的影响。

表2 “豆瓣电影”和“新浪微博”“上周”相关因素说明

统计得到电影上映后每周票房的数据以及前1周的相关预测数据(数据说明见表2)。针对两个数据集,将分别进行四个时间段的分析:①上映前2周社会化媒体数据对上映第1周票房的影响;②上映第1周社会化媒体数据对上映第2周票房的影响;③上映第2周社会化媒体数据对上映第3周票房的影响;④上映第3周社会化媒体数据对上映第4周票房的影响。

4.1 “豆瓣电影”数据对周票房的预测分析

首先用“豆瓣电影”中每部影片上映前2周的社会化媒体相关数据(日均短评、日均评分、评分比例和情感比例)来预测上映第1周的票房,将4种变量一一组合后,分别进行回归效果的检验,R2>0.6且总体P及每个变量的P均小于0.05的组合不存在,即利用上映前2周的社会化媒体数据无法准确地对上映首周的票房进行预测。

接下来分别对上映第1周、第2周和第3周的社会化媒体相关因素对相应周次票房的预测进行回归分析。三个时间段内不同变量个数组合后均可找到回归效果最好的一个组合,从中再选出自变量都具有较高显著性(一般来说P<0.05)的情况下周票房预测的最佳组合,如表3所示。

(1)第1周数据预测第2周票房:日均短评、评分比例和情感比例三者结合;

(2)第2周数据预测第3周票房:日均短评、评分比例和情感比例三者结合;

(3)第3周数据预测第4周票房:日均短评。

表3 豆瓣社会化媒体数据预测周票房回归结果

通过分析发现,在前两个预测时间段内,用“豆瓣电影”中的“评分平均分”来预测票房效果不是很好,不如“评分比例”和“情感比例”。在第3个时间段内,每个变量的表现较前两周来说有很大差异,只有单用“上周日均短评数”的预测效果最好(R2=0.911),与前两周相比,“上周评分比例”和“上周情感比例”这两个指标对票房预测的效果减弱。说明在电影上映到三周之后,用户的评分和情感对其周票房的影响很微弱。

图3(1)、(2)、(3)分别是以上三种情况下回归标准化预计值的散点图,分布较集中,回归效果较好,第2周数据预测第3周票房效果尤佳。

图3(1)豆瓣第1周社会化媒体数据预测第2周票房回归标准化预计值;

(2)豆瓣第2周社会化媒体数据预测第3周票房回归标准化预计值;

(3)豆瓣第3周社会化媒体数据预测第4周票房回归标准化预计值

从以上分析可得,用“豆瓣电影”中电影上映前2周的社会化媒体数据预测首周票房效果不太理想,但利用第1、2、3周数据分别预测第2、3、4周票房都能得到回归拟合较好的结果,得到的预测方程分别为:

Y=4.75d1-180.83d2+2531.79d3-3275.26

(公式3)(第1周预测第2周)

Y=4.89d1-107.93d2+1173.06d3-1825.87

(公式4)(第2周预测第3周)

Y=3.17d1-103.03

(公式5)(第3周预测第4周)

其中d1:上一周日均短评数;d2:上一周评分比例;d3:上一周情感比例。

4.2 “新浪微博”数据对周票房的预测分析

在“新浪微博”数据预测周票房分析中发现,用上映前2周的“新浪微博”数据预测首周票房效果不甚理想,但利用第1、2、3周数据分别预测第2、3、4周票房都能得到回归拟合较好的结果。表4列出了三个时间段内不同变量组合后所选出的周票房预测最佳组合,可以发现,三个时间段的情况较为相似,当只用变量5(上周日均博文数)预测周票房时效果最好。

表4 微博社会化媒体数据预测周票房回归结果

在分析中发现,第1周的“日均转发数”对第2周票房的解释率也较高,说明在上映首周的信息传播扩散对下周电影的票房有一定的预测价值,相反在第2周数据预测第3周票房以及第3周数据预测第4周票房时,转发的预测性逐渐降低,信息传播扩散带来的票房价值变弱。

图4(1)、(2)、(3)分别是三种情况下回归标准化预计值的散点图,分布较集中,回归效果较好。

图4(1)微博第1周社会化媒体数据预测第2周票房回归标准化预计值;

(2)微博第2周社会化媒体数据预测第3周票房回归标准化预计值;

(3)微博第3周社会化媒体数据预测第4周票房回归标准化预计值

从以上分析可以得出,用“新浪微博”中电影上映前2周的社会化媒体数据预测首周票房效果不太理想,但利用第1、2、3周社会化媒体数据分别预测第2、3、4周票房都能得到回归拟合较好的结果,得到的预测方程分别为:

Y=2.23w1+602.20

(公式6)(第1周预测第2周)

Y=2.36w1-1.87

(公式7)(第2周预测第3周)

Y=1.54w1+235.44

(公式8)(第3周预测第4周)

w1:上一周日均博文数。

5电影票房预测的通用模型

使用“豆瓣电影”数据集进行票房预测时,其预测总票房和周票房的通用公式为公式(9),各变量的含义见表5。

P=αx1+βx2+γx3+θ

(公式9)

当使用“新浪微博”数据集进行票房预测时,其预测总票房和周票房的通用公式为公式(10),各变量的含义见表6。

P=δy1+εy2+η

(公式10)

6讨论

针对本文中的一些问题做进一步讨论:

(1)“评分平均值”的预测效果为何没有“评分比例”好?

“豆瓣电影”中的评分分为五个级别,一星到五星分别代表1分到5分,“评分平均值”的计算方法为所有评分数的算术平均数,抹杀了评分的极性,对高分和低分的数量进行了一定程度上的综合,趋于平稳化;“评分比例”则是剔除了中性的评分(3分)之后,将高分段(4分、5分)的用户数除以低分段(1分、2分)的用户数的比值,将两极化的评分数量进行比值化处理,情感更浓郁,更能体现用户对这部电影的明确态度。

曾经有学者选取2010年的票房过亿的国产电影,用线性回归的方法分析了电影票房和网络评分之间的关联,结果是不显著的[20],这与本文的研究结果相一致。Ye Hu等人通过研究也发现在社会化网络平台上,即使两部影片的评分相同,评分的分布很可能大相径庭[21]。因而在进行票房预测时,“评分比例”比“评分平均值”对票房的预测性更高。

(2)“豆瓣电影”中“情感比例”对票房的指示性为何比“新浪微博”中“情感比例”要高?两者的区别体现在何处?

“豆瓣电影”中的数据由于全部针对特定的电影,所以其短评文本中的情感信息更具有针对性,更加纯粹;而由于“新浪微博”平台的自由性和发散性,人们往往在聊到某部电影的时候,会谈及其他内容,例如会有朋友发这样的微博:“今天和朋友吃饭很开心,吃完饭还一起去看了《环形使者》”,这样的微博在进行情感分析时会记为正值,因为出现了“开心”这样的正面情感词,但实际上这个词并不是谈论这部影片。由于有以上这些情况的存在,所以在对微博文本进行情感分析时,得到的情感分数不够纯粹和准确,会影响其情感比例对票房的预测价值。

(3)在预测周票房时,为何越到后期“评分比例”和“情感比例”对票房的预测性越弱?

根据信息生命周期理论[22]可知,信息从产生、快速成长、成熟到衰亡是自然的过程,一部电影上映之后票房会经历上升、平稳、衰减等阶段,可能随着时间的推移,会反复出现这样的波动,但总体趋势是逐渐下降的,即一部电影在上映了一段时间后,人们的关注度会下降,越来越少的人会去为这部电影贡献票房,即使是一部评价非常高的影片,也会存在这样的现象,只是周期会更长更平缓。

因而在预测周票房时,可以看到电影上映第3周之后,豆瓣上的“评分比例”和“情感比例”在预测票房时的作用大大降低,此时即使一部电影的评价很高,也抵不过时间对其票房的影响,时间越久,以上两个指标对票房的影响越弱。

7结语

本文选取两个不同性质的社会化媒体平台进行了电影票房预测的实证研究,由此对电影制片方和影院的社会化媒体营销提出以下建议。

(1)上映第一周为决定电影票房高低的关键因素,营销者应在该阶段做好营销措施。

两个平台的研究结果均显示,上映第一周的票房和总票房的相关性最强,大部分影片也都在上映第一周达到最高峰,所以在上映第一周做好各方面的集中营销十分重要,可以选择在各类社会化媒体平台上进行官方营销、名人营销等方式,从而进一步提升影片的影响力和受关注度。

(2)利用不同平台进行预测时,合理选取相应指标和方法。

在实证研究中发现两个平台的表现有其各自的特点:豆瓣上的“日均短评”对票房的预测效果不错,若加上“评分比例”和“情感比例”这两个用户主观性变量后,对票房的预测则更好;而微博中“日均博文”的效果比其他变量的预测性都好。说明在不同的平台上进行营销和预测时,应合理选取不同的指标,例如在豆瓣上,应该重点关注短评数、评分比例和情感比例,在微博上需重点关注博文数。

在本文的研究中,由于数据获取难度等因素,只选取了24部影片作为研究对象,存在数据样本受限、数据抓取不全面以及情感分析计算不精确等问题。在后续研究中,将选取更多的电影和更多的平台进行研究,在情感分析的精确度方面也力求做进一步改进。

口碑,即“众人口头上的称颂”,多发生于强关系人群中而具备了较大的影响力,社会化媒体的兴起使得网络口碑的商业价值日益凸显。本文选取的研究对象是电影评论信息,其研究方法和工具还可尝试运用于其他商业领域,如电子商务网站上用户评论对于商品销量的影响等,这对于信息、媒体传播和营销等领域的研究者来说都具有广阔的研究空间。

参考文献

[1]陈林. 社会化媒体的营销力[J]. 广告大观(综合版), 2009(10):134-135

[2]菲利普·科特勒. 营销革命3.0-从产品到顾客,再到人文精神[M]. 北京: 机械工业出版社, 2011:8

[3]邹立清. 论社会化媒体发展趋势下的营销变革[J].科学经济社会, 2012(1): 83-86, 93

[4]邱蕾. 社会化媒体对消费者购买意愿的影响研究[D]. 南昌: 江西财经大学, 2009:1

[5]中国电子商务研究中心. 网络营销纵深化渗透,社会化媒体营销惊人[EB/OL]. [2014-03-10]. http://b2b.toocle.com/detail--6024000.html

[6]Chan W.S. Stock Price reaction to news and no-news: Drift and reversal after headlines[J]. Journal of Financial Economics,2003,70(2):223-260

[7]Mishne R, Liu H. A corpus-based approach to finding happiness[C]//AAAI 2006 Spring Symposium on Computation Approaches to Analysing Weblogs. Menlo Park,CA:AAAI Press,2006:139-144

[8]Gruhl D, Guha R, Kumar R, et.al. The predictive power of Online Chatter[C]//Proceeding of the 10th ACM SIGKDD International Conference on Knowledge Discovery in Data Mining. New York: ACM Press,2005:78-87

[9]Tetlock P.C, Saar-Tsechansky M, Macskassy S. More than words: Quantifying language to measure firm’s fundamentals[j]. Journal of Finance,2008,63(3):1437-1467

[10] Mishne G, Glance N. Predicting movie sales from blogger sentiment[C]//AAAI 2006 Spring Symposium on Computational Approaches to Analysing Weblogs.Menlo Park,CA:AAAI Press,2006:155-158

[11] Youits M.C, Kleyle R.M. The average decision maker and its properties utilizing the generalized information system model[J]. Journal of the American Society for Information Science, 1993, 44(6): 352-363

[12] Chakravarty A, Liub Y, Mazumdar T. The differential effects of online word-of-mouth and critics’ reviews on pre-release movie evaluation[J].Journal of Interactive Marketing,2010,24(3):185-197

[13] Zhang W, Skiena S. Improving Movie Gross Prediction Through News Analysis[C]//Proceedings of the 2009 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology. IEEE Computer Society,2009:301-304

[14] Sitaram A, Huberman B.A. Predicting the future with social media[C]//2010 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT). IEEE Computer Society, 2010:492-499

[15] 徐学鹏. 运用Twitter进行预测性研究的方法和特点——以美剧和电影为例[D]. 杭州: 浙江大学, 2011:47

[16] 郑亚琴, 樊鹏. 社会化媒体商业预测价值研究——基于电影票房数据的分析[J]. 吉林工商学院学报, 2012, 28(3): 60-63

[17] 宋恩梅, 朱梦娴. 社会化媒体信息分布规律研究: 以电影评论为例[J]. 信息资源管理学报, 2015(3): 25-36

[18] “艺恩咨询”[EB/OL]. [2014-10-20].http://www.entgroup.com.cn/index.aspx

[19] “艺恩娱乐决策智库”[EB/OL]. [2014-10-20].http://www.entgroup.com.cn/enbase/enbase.shtml

[20] 周才庶. 电影票房与网络评分的关联性分析——以2010 年票房过亿元的国产影片为例[J]. 当代电影, 2011(3):109-113

[21] Hu Y. The Home Video Market: Strategy and Consumer Behavior[D]. Philadelphia,PA:University of Pennsylvania,2004:129

[22] 朱晓峰.生命周期方法论[J]. 科学学研究, 2004(12):566-571

Word of Mouth and Box Office: The Study of Business Value of Film Reviews on the Social Media

Zhu Mengxian

(Wuhan University of Science and Technology Library, Wuhan 430081)

[Abstract]Social media is increasingly becoming a main channel for users to share film reviews and an emerging platform for word-of-mouth marketing. This article selects 24 movies in two different social media platforms, “Douban Film” and “Sina Weibo”, forecasting the total box office and dynamic weekly box office through the data analysis, and concludes with the predicting model for total and weekly box office in two platforms respectively, which gives the researcher, film marketers and merchants some new reference and suggestions.

[Key words]Social mediaDouban filmSina weiboFilm reviewBusiness valueBusiness forecasting

(收稿日期:2014-11-22)

DOI:10.13365/j.jirm.2015.04.057

[中图分类号]G250

[文献标识码]A

[文章编号]2095-2171(2015)04-0057-08

[作者简介]朱梦娴,女,助理馆员,硕士,研究方向为信息资源管理及情报学方法,Email:elainezhu@wust.edu.cn。

[基金项目]本文系国家社会科学基金项目“参与协作式情报空间的构建与应用研究”(10CTQ016)的成果之一。

猜你喜欢
社会化变量预测
无可预测
选修2-2期中考试预测卷(A卷)
选修2-2期中考试预测卷(B卷)
牵手校外,坚持少先队社会化
抓住不变量解题
也谈分离变量
行政权社会化之生成动因阐释
不必预测未来,只需把握现在
高校学生体育组织社会化及路径分析
公共文化服务亟须推进社会化