朱夢(mèng)嫻

(武漢科技大學(xué)圖書館，武漢，430081)

口碑與票房：社會(huì)化媒體電影評(píng)論的商業(yè)價(jià)值研究

朱夢(mèng)嫻

(武漢科技大學(xué)圖書館，武漢，430081)

[摘要]社會(huì)化媒體日益成為人們?cè)u(píng)論影片的主要渠道和口碑營銷的新興載體。本文以“豆瓣電影”和“新浪微博”兩個(gè)社會(huì)化媒體平臺(tái)上的24部影片評(píng)論信息為研究對(duì)象，選取兩個(gè)平臺(tái)上具有代表特征的數(shù)據(jù)項(xiàng)進(jìn)行電影總票房和動(dòng)態(tài)周票房的預(yù)測(cè)研究，得出用兩個(gè)平臺(tái)分別預(yù)測(cè)電影總票房和周票房的通用模型，并對(duì)電影制片方和影院的營銷策略提出相關(guān)建議。

[關(guān)鍵詞]社會(huì)化媒體豆瓣電影新浪微博電影評(píng)論商業(yè)價(jià)值商業(yè)預(yù)測(cè)

隨著Web2.0變革迅速發(fā)展，各類社會(huì)化媒體的用戶注冊(cè)數(shù)和用戶創(chuàng)造內(nèi)容的規(guī)模急劇膨脹，越來越多的各個(gè)行業(yè)的企業(yè)意識(shí)到社會(huì)化媒體帶來的全方位挑戰(zhàn)，從而努力在戰(zhàn)略或營銷上尋找變革機(jī)會(huì)和發(fā)展對(duì)策。社會(huì)化媒體的商業(yè)價(jià)值主要體現(xiàn)在其深刻影響著用戶的消費(fèi)理念和消費(fèi)行為，用戶之間通過社會(huì)化媒體這一途徑，互相宣傳和傳播產(chǎn)品的價(jià)值信息，影響擴(kuò)大產(chǎn)品宣傳力度，實(shí)現(xiàn)產(chǎn)品品牌的影響力擴(kuò)大和有效提升。這種新興媒體已逐漸成為當(dāng)前環(huán)境下口碑營銷、事件營銷、活動(dòng)營銷以及精準(zhǔn)營銷的強(qiáng)有力載體[1]。

1相關(guān)研究綜述

社會(huì)化媒體的廣泛使用使其商業(yè)價(jià)值愈發(fā)凸顯。與傳統(tǒng)媒體不同，社會(huì)化媒體具有自身的廣泛傳播性和以用戶為中心、多對(duì)多交流的特性，使得商家利用其進(jìn)行的營銷策略大有不同，其內(nèi)容的多樣性、規(guī)律性對(duì)預(yù)測(cè)商業(yè)數(shù)據(jù)具有特定價(jià)值。隨著社會(huì)化媒體的個(gè)人表達(dá)性越來越強(qiáng)，消費(fèi)者的意見和體驗(yàn)對(duì)其他消費(fèi)者的影響也與日俱增，社會(huì)化媒體對(duì)消費(fèi)者購買力的影響逐漸超越企業(yè)廣告[2]。在社會(huì)化媒體上，用戶的共同點(diǎn)是更相信有共同經(jīng)歷的陌生人，他們習(xí)慣從朋友或者其他陌生人那里獲取信息，從而進(jìn)行購買決策[3]。社會(huì)化媒體的有用性、依賴性、涉入性、社交性對(duì)消費(fèi)者購買意愿有正向影響[4]。據(jù)中國電子商務(wù)研究中心報(bào)道，美國逾80%的大廣告客戶在Facebook做廣告；Google預(yù)計(jì)，2015年超過75%的廣告都具有SNS屬性[5]。

在社會(huì)化媒體的預(yù)測(cè)價(jià)值方面，國內(nèi)外現(xiàn)有研究表明，社會(huì)化媒體憑借其聚合的優(yōu)勢(shì)，可以積聚眾用戶的信息去預(yù)測(cè)實(shí)際市場(chǎng)情況。在經(jīng)濟(jì)市場(chǎng)[6](如股票價(jià)格、經(jīng)濟(jì)波動(dòng)等)、人們的幸福感[7]、圖書銷售情況[8]、電影票房[9-10]、道瓊斯指數(shù)[11]等方面都有著非常好的預(yù)測(cè)效果。

關(guān)于社會(huì)化媒體對(duì)電影票房的預(yù)測(cè)，國內(nèi)外研究表明：博客、新聞、Twitter等社會(huì)化媒體數(shù)據(jù)的用戶情感都與電影票房呈正相關(guān)，網(wǎng)絡(luò)口碑在不經(jīng)?？措娪暗挠脩糁杏绊懜鼮槊黠@，若當(dāng)口碑是負(fù)面的，對(duì)用戶的影響更為持久[12]。Mishne和Glance[10]通過搜集社會(huì)化媒體用戶對(duì)預(yù)告電影帶有積極情感和消極情感評(píng)論的數(shù)據(jù)，得出博文的內(nèi)容與電影的最終成功與否具有很強(qiáng)的相關(guān)性。Zhang和Skiena[13]發(fā)現(xiàn)用新聞數(shù)據(jù)情感預(yù)測(cè)的票房和IMDB(Internet Movie Database，互聯(lián)網(wǎng)電影資料庫)得分?jǐn)?shù)據(jù)對(duì)票房預(yù)測(cè)具有類似效果。Asur和Huberman[14]通過搜集Twitter上接近三百萬條有關(guān)24部電影的Tweets，構(gòu)建線性回歸模型，運(yùn)用用戶發(fā)表Tweets的數(shù)量和內(nèi)容預(yù)測(cè)電影票房，研究表明其有效性上遠(yuǎn)遠(yuǎn)高于基于市場(chǎng)的預(yù)測(cè)體系。除了對(duì)電影票房有預(yù)測(cè)價(jià)值，Twitter數(shù)據(jù)與電視劇收視率之間也存在聯(lián)系，徐學(xué)鵬[15]在研究中證實(shí)了Twitter上的內(nèi)容與美劇收視率之間呈正相關(guān)。

與單一平臺(tái)研究不同，鄭亞琴等[16]依據(jù)電影觀眾在新浪微博、時(shí)光網(wǎng)以及豆瓣網(wǎng)等社會(huì)化媒體平臺(tái)上的電影預(yù)告期內(nèi)的活躍度數(shù)據(jù)與預(yù)期票房數(shù)據(jù)，進(jìn)行相關(guān)性分析，得到利用預(yù)告期內(nèi)社會(huì)化媒體用戶活躍度進(jìn)行票房預(yù)測(cè)具有較高精準(zhǔn)性的結(jié)論。然而預(yù)告期內(nèi)用戶活躍度指標(biāo)單一，電影關(guān)注度較少，大多數(shù)電影在上映后才引起廣泛關(guān)注，用戶更關(guān)注看過電影的人對(duì)其的評(píng)價(jià)，故此研究具有一定的局限性。

綜合目前國內(nèi)外成果來看，關(guān)于社會(huì)化媒體商業(yè)價(jià)值的研究日益豐富，其商業(yè)預(yù)測(cè)性也涵蓋了諸多領(lǐng)域，但現(xiàn)有研究大多集中于單一平臺(tái)、單一數(shù)據(jù)項(xiàng)、運(yùn)用靜態(tài)數(shù)據(jù)或上映前數(shù)據(jù)進(jìn)行預(yù)測(cè)分析，存在局限和不足。本文立足電影這一社會(huì)化媒體上的熱門領(lǐng)域，基于社會(huì)化媒體用戶口碑會(huì)對(duì)影片票房產(chǎn)生影響這一假設(shè)，研究電影評(píng)論中的用戶發(fā)文數(shù)、評(píng)分、情感等因素對(duì)影片票房的預(yù)測(cè)作用，從而探討社會(huì)化媒體電影評(píng)論的商業(yè)價(jià)值所在。與現(xiàn)有類似研究相比，本文的研究突破單一平臺(tái)，且引入多維變量，深入探討不同的電影評(píng)論相關(guān)變量對(duì)票房的組合影響；除了進(jìn)行總票房的預(yù)測(cè)分析外，本文還加入時(shí)間軸，引入每周的動(dòng)態(tài)數(shù)據(jù)來預(yù)測(cè)周票房，為電影制片方和影院的營銷策略提供更具實(shí)用價(jià)值的參考。

2數(shù)據(jù)采集及處理

2.1　數(shù)據(jù)來源及采集

本文在“豆瓣電影”和“新浪微博”兩個(gè)社會(huì)化媒體平臺(tái)上選取24部影片信息，平臺(tái)及24部影片的選取方式、影片相關(guān)數(shù)據(jù)詳情及采集方式參見筆者前期研究論文[17]。

對(duì)于票房數(shù)據(jù)的獲取，本文選擇了“藝恩咨詢”[18]。“藝恩咨詢”是中國領(lǐng)先的消費(fèi)者意見評(píng)級(jí)服務(wù)和研究咨詢服務(wù)提供商，其數(shù)據(jù)產(chǎn)品“藝恩娛樂決策智庫”[19]全面跟蹤研究娛樂產(chǎn)業(yè)尤其是電影產(chǎn)業(yè)發(fā)展趨勢(shì)，統(tǒng)計(jì)分析市場(chǎng)商業(yè)數(shù)據(jù)，其中可獲取某部影片的總票房、日票房分布、影院分布、當(dāng)前場(chǎng)次等信息。選擇“藝恩娛樂決策智庫”作為24部影片總票房和日票房數(shù)據(jù)的來源。通過“藝恩數(shù)據(jù)庫”搜索，分別獲取24部影片的“總票房”和“日票房”信息。其中“總票房”的數(shù)據(jù)可以直接獲取，“日票房”信息為每部電影上映后4周時(shí)間段內(nèi)的每日票房。

2.2　數(shù)據(jù)處理及準(zhǔn)備

本文采集的數(shù)據(jù)分為社會(huì)化媒體數(shù)值數(shù)據(jù)、情感文本數(shù)據(jù)以及票房數(shù)據(jù)三類。社會(huì)化媒體數(shù)據(jù)指“豆瓣電影”中每日的短評(píng)數(shù)、評(píng)分按時(shí)間的分布情況等以及新浪微博中每日博文/轉(zhuǎn)發(fā)/評(píng)論數(shù)等；情感文本數(shù)據(jù)指兩個(gè)平臺(tái)中用戶短評(píng)及微博文這類評(píng)論信息對(duì)電影的情感量化；票房數(shù)據(jù)指24部影片的總票房以及每日的票房數(shù)。

對(duì)于社會(huì)化媒體數(shù)值的處理，參見文獻(xiàn)[17]，并進(jìn)一步對(duì)“豆瓣電影”的評(píng)分?jǐn)?shù)據(jù)項(xiàng)做了詳細(xì)處理?！岸拱觌娪啊钡脑u(píng)分分為五個(gè)檔：力薦、推薦、一般、較差、很差，分別用5分至1分對(duì)其進(jìn)行量化標(biāo)識(shí)。通過計(jì)算分析得到每部電影的每日評(píng)分平均分及“評(píng)分比例”，“評(píng)分比例”用F表示，則F=(力薦+推薦)/(較差+很差)，即打分高于3分的用戶數(shù)與打分低于3分的用戶數(shù)的比例，這個(gè)比值與單純的評(píng)分平均分有一定的差異，除去了中性評(píng)價(jià)的分?jǐn)?shù)，更能代表用戶情感傾向的兩極化差異，更能準(zhǔn)確地表示用戶的情感。

對(duì)于情感文本數(shù)據(jù)的處理亦參見文獻(xiàn)[17]，得到24部影片在“豆瓣電影”和“新浪微博”兩個(gè)平臺(tái)上上映前2周和上映后4周每周的情感比例(Q)。

對(duì)于票房數(shù)據(jù)的處理，每部電影的總票房數(shù)據(jù)可從藝恩數(shù)據(jù)庫中直接獲取。獲取“日票房”數(shù)據(jù)后，以“周”為時(shí)間段進(jìn)行統(tǒng)計(jì)，得到每部電影上映之后4周時(shí)間段內(nèi)的每周票房數(shù)。

3社會(huì)化媒體數(shù)據(jù)對(duì)電影總票房的預(yù)測(cè)

隨著社會(huì)化媒體的快速發(fā)展，網(wǎng)絡(luò)口碑逐漸成為社會(huì)趨勢(shì)的風(fēng)向標(biāo)，本文中采用“豆瓣電影”和“新浪微博”兩個(gè)平臺(tái)上的網(wǎng)絡(luò)口碑相關(guān)信息，運(yùn)用SPSS工具的回歸分析，研究這些變量對(duì)總票房的預(yù)測(cè)作用，變量列表及說明見表1。

表1　兩平臺(tái)的變量列表及說明

3.1　“豆瓣電影”數(shù)據(jù)對(duì)總票房的預(yù)測(cè)分析

在電影上映之前，社會(huì)化媒體網(wǎng)站上用戶發(fā)表看法的人數(shù)較少。筆者的另一研究表明，大部分電影在上映第1周用戶對(duì)電影的討論以及情感表達(dá)都較多。假定電影上映前2周的情感以及上映第1周的情感對(duì)分析有價(jià)值，若是一部電影在上映前關(guān)注度不夠且在上映第1周也不是很理想，那么這部影片票房高的可能性較小。

本文選擇8個(gè)變量進(jìn)行總體票房的預(yù)測(cè)分析，分別為上映前2周以及上映第1周的日均短評(píng)、日均評(píng)分、評(píng)分比例以及情感比例。分別將以上變量與總票房數(shù)據(jù)進(jìn)行線性回歸，得到擬合程度最佳的變量為上映第1周的日均短評(píng)(R2=0.650，且顯著度P=0.000為最優(yōu))，其余單一變量對(duì)總體票房的回歸擬合程度均不理想。接下來將這8個(gè)變量?jī)蓛山Y(jié)合形成組合雙變量進(jìn)行回歸分析，尋求擬合效果更優(yōu)、顯著度更高的組合，之后挑選出最優(yōu)組合進(jìn)一步添加變量進(jìn)行線性回歸分析。

變量?jī)蓛山M合對(duì)總票房進(jìn)行線性回歸分析后，得到用“豆瓣電影”第1周日均短評(píng)和第1周情感比例的組合效果最好(R2=0.738，P=0.000)，在此基礎(chǔ)上進(jìn)一步添加變量，得到線性擬合效果最好的組合為“豆瓣電影”第1周日均短評(píng)、第1周評(píng)分比例和第1周情感比例的組合(R2=0.819，P=0.000)。三個(gè)變量組合對(duì)總票房進(jìn)行線性回歸得到回歸方程公式(1)，圖1為回歸標(biāo)準(zhǔn)化預(yù)計(jì)值的散點(diǎn)圖，回歸擬合效果較好。

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

(公式1)

a1：第1周日均短評(píng)；a2：第1周評(píng)分比例；a3：第1周情感比例。

圖1　豆瓣數(shù)據(jù)預(yù)測(cè)總票房回歸標(biāo)準(zhǔn)化預(yù)計(jì)值

3.2　“新浪微博”數(shù)據(jù)對(duì)總票房的預(yù)測(cè)分析

同上，選擇“新浪微博”數(shù)據(jù)的8個(gè)變量進(jìn)行總體票房的相關(guān)性分析，分別為上映前2周以及上映第1周的日均博文、日均轉(zhuǎn)發(fā)、日均評(píng)分以及情感比例。首先將總票房作為因變量，8個(gè)變量依次作為自變量進(jìn)行線性回歸分析，可得到8個(gè)變量中，對(duì)總票房線性回歸擬合優(yōu)度最高的是第1周日均博文(R2=0.736，P=0.000)。接下來將這8個(gè)變量?jī)蓛山Y(jié)合形成組合雙變量進(jìn)行回歸分析，得到用“新浪微博”前2周日均博文和第1周日均博文的組合效果較好(R2=0.834，P=0.000)，在此基礎(chǔ)上進(jìn)一步添加變量，得到線性擬合效果最好的組合為“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)。此組合對(duì)票房的線性回歸結(jié)果雖然較兩個(gè)變量的組合效果稍微提升，但進(jìn)一步分析發(fā)現(xiàn)，前2周情感比例這一變量對(duì)票房的貢獻(xiàn)度非常低，故在“新浪微博”中，認(rèn)為將上映前2周的日均博文和上映第1周的日均博文這兩個(gè)變量相結(jié)合，就能夠較好地預(yù)測(cè)電影票房。兩個(gè)變量組合對(duì)總票房進(jìn)行線性回歸得到回歸方程公式(2)。圖2為回歸標(biāo)準(zhǔn)化預(yù)計(jì)值的散點(diǎn)圖，回歸擬合效果較好。

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。

從兩個(gè)數(shù)據(jù)集中得到的模型結(jié)果可見，在“豆瓣電影”中，上映后第1周的數(shù)據(jù)對(duì)總票房的影響較大，變量因素有：日均短評(píng)、評(píng)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”數(shù)對(duì)總票房的影響較大，其他諸如轉(zhuǎn)發(fā)、評(píng)論、情感比例等因素對(duì)票房的影響并不顯著。

圖2　微博數(shù)據(jù)預(yù)測(cè)總票房回歸標(biāo)準(zhǔn)化預(yù)計(jì)值

4社會(huì)化媒體數(shù)據(jù)對(duì)電影周票房的預(yù)測(cè)

假設(shè)潛在觀影者會(huì)根據(jù)之前看過電影的朋友對(duì)其的評(píng)價(jià)及其他因素，來決定是否去觀看該影片，從而影響后續(xù)影片票房。本節(jié)中加入時(shí)間軸進(jìn)行動(dòng)態(tài)預(yù)測(cè)分析，彌補(bǔ)總票房預(yù)測(cè)中缺乏動(dòng)態(tài)性這一不足，更精確反映上一周社會(huì)化媒體口碑對(duì)下一周票房的影響。

表2　“豆瓣電影”和“新浪微博”“上周”相關(guān)因素說明

統(tǒng)計(jì)得到電影上映后每周票房的數(shù)據(jù)以及前1周的相關(guān)預(yù)測(cè)數(shù)據(jù)(數(shù)據(jù)說明見表2)。針對(duì)兩個(gè)數(shù)據(jù)集，將分別進(jìn)行四個(gè)時(shí)間段的分析：①上映前2周社會(huì)化媒體數(shù)據(jù)對(duì)上映第1周票房的影響；②上映第1周社會(huì)化媒體數(shù)據(jù)對(duì)上映第2周票房的影響；③上映第2周社會(huì)化媒體數(shù)據(jù)對(duì)上映第3周票房的影響；④上映第3周社會(huì)化媒體數(shù)據(jù)對(duì)上映第4周票房的影響。

4.1　“豆瓣電影”數(shù)據(jù)對(duì)周票房的預(yù)測(cè)分析

首先用“豆瓣電影”中每部影片上映前2周的社會(huì)化媒體相關(guān)數(shù)據(jù)(日均短評(píng)、日均評(píng)分、評(píng)分比例和情感比例)來預(yù)測(cè)上映第1周的票房，將4種變量一一組合后，分別進(jìn)行回歸效果的檢驗(yàn)，R2>0.6且總體P及每個(gè)變量的P均小于0.05的組合不存在，即利用上映前2周的社會(huì)化媒體數(shù)據(jù)無法準(zhǔn)確地對(duì)上映首周的票房進(jìn)行預(yù)測(cè)。

接下來分別對(duì)上映第1周、第2周和第3周的社會(huì)化媒體相關(guān)因素對(duì)相應(yīng)周次票房的預(yù)測(cè)進(jìn)行回歸分析。三個(gè)時(shí)間段內(nèi)不同變量個(gè)數(shù)組合后均可找到回歸效果最好的一個(gè)組合，從中再選出自變量都具有較高顯著性(一般來說P<0.05)的情況下周票房預(yù)測(cè)的最佳組合，如表3所示。

(1)第1周數(shù)據(jù)預(yù)測(cè)第2周票房：日均短評(píng)、評(píng)分比例和情感比例三者結(jié)合；

(2)第2周數(shù)據(jù)預(yù)測(cè)第3周票房：日均短評(píng)、評(píng)分比例和情感比例三者結(jié)合；

(3)第3周數(shù)據(jù)預(yù)測(cè)第4周票房：日均短評(píng)。

表3　豆瓣社會(huì)化媒體數(shù)據(jù)預(yù)測(cè)周票房回歸結(jié)果

通過分析發(fā)現(xiàn)，在前兩個(gè)預(yù)測(cè)時(shí)間段內(nèi)，用“豆瓣電影”中的“評(píng)分平均分”來預(yù)測(cè)票房效果不是很好，不如“評(píng)分比例”和“情感比例”。在第3個(gè)時(shí)間段內(nèi)，每個(gè)變量的表現(xiàn)較前兩周來說有很大差異，只有單用“上周日均短評(píng)數(shù)”的預(yù)測(cè)效果最好(R2=0.911)，與前兩周相比，“上周評(píng)分比例”和“上周情感比例”這兩個(gè)指標(biāo)對(duì)票房預(yù)測(cè)的效果減弱。說明在電影上映到三周之后，用戶的評(píng)分和情感對(duì)其周票房的影響很微弱。

圖3(1)、(2)、(3)分別是以上三種情況下回歸標(biāo)準(zhǔn)化預(yù)計(jì)值的散點(diǎn)圖，分布較集中，回歸效果較好，第2周數(shù)據(jù)預(yù)測(cè)第3周票房效果尤佳。

圖3(1)豆瓣第1周社會(huì)化媒體數(shù)據(jù)預(yù)測(cè)第2周票房回歸標(biāo)準(zhǔn)化預(yù)計(jì)值；

(2)豆瓣第2周社會(huì)化媒體數(shù)據(jù)預(yù)測(cè)第3周票房回歸標(biāo)準(zhǔn)化預(yù)計(jì)值；

(3)豆瓣第3周社會(huì)化媒體數(shù)據(jù)預(yù)測(cè)第4周票房回歸標(biāo)準(zhǔn)化預(yù)計(jì)值

從以上分析可得，用“豆瓣電影”中電影上映前2周的社會(huì)化媒體數(shù)據(jù)預(yù)測(cè)首周票房效果不太理想，但利用第1、2、3周數(shù)據(jù)分別預(yù)測(cè)第2、3、4周票房都能得到回歸擬合較好的結(jié)果，得到的預(yù)測(cè)方程分別為：

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

(公式3)(第1周預(yù)測(cè)第2周)

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

(公式4)(第2周預(yù)測(cè)第3周)

Y=3.17d1-103.03

(公式5)(第3周預(yù)測(cè)第4周)

其中d1：上一周日均短評(píng)數(shù)；d2：上一周評(píng)分比例；d3：上一周情感比例。

4.2　“新浪微博”數(shù)據(jù)對(duì)周票房的預(yù)測(cè)分析

在“新浪微博”數(shù)據(jù)預(yù)測(cè)周票房分析中發(fā)現(xiàn)，用上映前2周的“新浪微博”數(shù)據(jù)預(yù)測(cè)首周票房效果不甚理想，但利用第1、2、3周數(shù)據(jù)分別預(yù)測(cè)第2、3、4周票房都能得到回歸擬合較好的結(jié)果。表4列出了三個(gè)時(shí)間段內(nèi)不同變量組合后所選出的周票房預(yù)測(cè)最佳組合，可以發(fā)現(xiàn)，三個(gè)時(shí)間段的情況較為相似，當(dāng)只用變量5(上周日均博文數(shù))預(yù)測(cè)周票房時(shí)效果最好。

表4　微博社會(huì)化媒體數(shù)據(jù)預(yù)測(cè)周票房回歸結(jié)果

在分析中發(fā)現(xiàn)，第1周的“日均轉(zhuǎn)發(fā)數(shù)”對(duì)第2周票房的解釋率也較高，說明在上映首周的信息傳播擴(kuò)散對(duì)下周電影的票房有一定的預(yù)測(cè)價(jià)值，相反在第2周數(shù)據(jù)預(yù)測(cè)第3周票房以及第3周數(shù)據(jù)預(yù)測(cè)第4周票房時(shí)，轉(zhuǎn)發(fā)的預(yù)測(cè)性逐漸降低，信息傳播擴(kuò)散帶來的票房?jī)r(jià)值變?nèi)酢?/p>

圖4(1)、(2)、(3)分別是三種情況下回歸標(biāo)準(zhǔn)化預(yù)計(jì)值的散點(diǎn)圖，分布較集中，回歸效果較好。

圖4(1)微博第1周社會(huì)化媒體數(shù)據(jù)預(yù)測(cè)第2周票房回歸標(biāo)準(zhǔn)化預(yù)計(jì)值；

(2)微博第2周社會(huì)化媒體數(shù)據(jù)預(yù)測(cè)第3周票房回歸標(biāo)準(zhǔn)化預(yù)計(jì)值；

(3)微博第3周社會(huì)化媒體數(shù)據(jù)預(yù)測(cè)第4周票房回歸標(biāo)準(zhǔn)化預(yù)計(jì)值

從以上分析可以得出，用“新浪微博”中電影上映前2周的社會(huì)化媒體數(shù)據(jù)預(yù)測(cè)首周票房效果不太理想，但利用第1、2、3周社會(huì)化媒體數(shù)據(jù)分別預(yù)測(cè)第2、3、4周票房都能得到回歸擬合較好的結(jié)果，得到的預(yù)測(cè)方程分別為：

Y=2.23w1+602.20

(公式6)(第1周預(yù)測(cè)第2周)

Y=2.36w1-1.87

(公式7)(第2周預(yù)測(cè)第3周)

Y=1.54w1+235.44

(公式8)(第3周預(yù)測(cè)第4周)

w1：上一周日均博文數(shù)。

5電影票房預(yù)測(cè)的通用模型

使用“豆瓣電影”數(shù)據(jù)集進(jìn)行票房預(yù)測(cè)時(shí)，其預(yù)測(cè)總票房和周票房的通用公式為公式(9)，各變量的含義見表5。

P=αx1+βx2+γx3+θ

(公式9)

當(dāng)使用“新浪微博”數(shù)據(jù)集進(jìn)行票房預(yù)測(cè)時(shí)，其預(yù)測(cè)總票房和周票房的通用公式為公式(10)，各變量的含義見表6。

P=δy1+εy2+η

(公式10)

6討論

針對(duì)本文中的一些問題做進(jìn)一步討論：

(1)“評(píng)分平均值”的預(yù)測(cè)效果為何沒有“評(píng)分比例”好？

“豆瓣電影”中的評(píng)分分為五個(gè)級(jí)別，一星到五星分別代表1分到5分，“評(píng)分平均值”的計(jì)算方法為所有評(píng)分?jǐn)?shù)的算術(shù)平均數(shù)，抹殺了評(píng)分的極性，對(duì)高分和低分的數(shù)量進(jìn)行了一定程度上的綜合，趨于平穩(wěn)化；“評(píng)分比例”則是剔除了中性的評(píng)分(3分)之后，將高分段(4分、5分)的用戶數(shù)除以低分段(1分、2分)的用戶數(shù)的比值，將兩極化的評(píng)分?jǐn)?shù)量進(jìn)行比值化處理，情感更濃郁，更能體現(xiàn)用戶對(duì)這部電影的明確態(tài)度。

曾經(jīng)有學(xué)者選取2010年的票房過億的國產(chǎn)電影，用線性回歸的方法分析了電影票房和網(wǎng)絡(luò)評(píng)分之間的關(guān)聯(lián)，結(jié)果是不顯著的[20]，這與本文的研究結(jié)果相一致。Ye Hu等人通過研究也發(fā)現(xiàn)在社會(huì)化網(wǎng)絡(luò)平臺(tái)上，即使兩部影片的評(píng)分相同，評(píng)分的分布很可能大相徑庭[21]。因而在進(jìn)行票房預(yù)測(cè)時(shí)，“評(píng)分比例”比“評(píng)分平均值”對(duì)票房的預(yù)測(cè)性更高。

(2)“豆瓣電影”中“情感比例”對(duì)票房的指示性為何比“新浪微博”中“情感比例”要高？?jī)烧叩膮^(qū)別體現(xiàn)在何處？

“豆瓣電影”中的數(shù)據(jù)由于全部針對(duì)特定的電影，所以其短評(píng)文本中的情感信息更具有針對(duì)性，更加純粹；而由于“新浪微博”平臺(tái)的自由性和發(fā)散性，人們往往在聊到某部電影的時(shí)候，會(huì)談及其他內(nèi)容，例如會(huì)有朋友發(fā)這樣的微博：“今天和朋友吃飯很開心，吃完飯還一起去看了《環(huán)形使者》”，這樣的微博在進(jìn)行情感分析時(shí)會(huì)記為正值，因?yàn)槌霈F(xiàn)了“開心”這樣的正面情感詞，但實(shí)際上這個(gè)詞并不是談?wù)撨@部影片。由于有以上這些情況的存在，所以在對(duì)微博文本進(jìn)行情感分析時(shí)，得到的情感分?jǐn)?shù)不夠純粹和準(zhǔn)確，會(huì)影響其情感比例對(duì)票房的預(yù)測(cè)價(jià)值。

(3)在預(yù)測(cè)周票房時(shí)，為何越到后期“評(píng)分比例”和“情感比例”對(duì)票房的預(yù)測(cè)性越弱？

根據(jù)信息生命周期理論[22]可知，信息從產(chǎn)生、快速成長(zhǎng)、成熟到衰亡是自然的過程，一部電影上映之后票房會(huì)經(jīng)歷上升、平穩(wěn)、衰減等階段，可能隨著時(shí)間的推移，會(huì)反復(fù)出現(xiàn)這樣的波動(dòng)，但總體趨勢(shì)是逐漸下降的，即一部電影在上映了一段時(shí)間后，人們的關(guān)注度會(huì)下降，越來越少的人會(huì)去為這部電影貢獻(xiàn)票房，即使是一部評(píng)價(jià)非常高的影片，也會(huì)存在這樣的現(xiàn)象，只是周期會(huì)更長(zhǎng)更平緩。

因而在預(yù)測(cè)周票房時(shí)，可以看到電影上映第3周之后，豆瓣上的“評(píng)分比例”和“情感比例”在預(yù)測(cè)票房時(shí)的作用大大降低，此時(shí)即使一部電影的評(píng)價(jià)很高，也抵不過時(shí)間對(duì)其票房的影響，時(shí)間越久，以上兩個(gè)指標(biāo)對(duì)票房的影響越弱。

7結(jié)語

本文選取兩個(gè)不同性質(zhì)的社會(huì)化媒體平臺(tái)進(jìn)行了電影票房預(yù)測(cè)的實(shí)證研究，由此對(duì)電影制片方和影院的社會(huì)化媒體營銷提出以下建議。

(1)上映第一周為決定電影票房高低的關(guān)鍵因素，營銷者應(yīng)在該階段做好營銷措施。

兩個(gè)平臺(tái)的研究結(jié)果均顯示，上映第一周的票房和總票房的相關(guān)性最強(qiáng)，大部分影片也都在上映第一周達(dá)到最高峰，所以在上映第一周做好各方面的集中營銷十分重要，可以選擇在各類社會(huì)化媒體平臺(tái)上進(jìn)行官方營銷、名人營銷等方式，從而進(jìn)一步提升影片的影響力和受關(guān)注度。

(2)利用不同平臺(tái)進(jìn)行預(yù)測(cè)時(shí)，合理選取相應(yīng)指標(biāo)和方法。

在實(shí)證研究中發(fā)現(xiàn)兩個(gè)平臺(tái)的表現(xiàn)有其各自的特點(diǎn)：豆瓣上的“日均短評(píng)”對(duì)票房的預(yù)測(cè)效果不錯(cuò)，若加上“評(píng)分比例”和“情感比例”這兩個(gè)用戶主觀性變量后，對(duì)票房的預(yù)測(cè)則更好；而微博中“日均博文”的效果比其他變量的預(yù)測(cè)性都好。說明在不同的平臺(tái)上進(jìn)行營銷和預(yù)測(cè)時(shí)，應(yīng)合理選取不同的指標(biāo)，例如在豆瓣上，應(yīng)該重點(diǎn)關(guān)注短評(píng)數(shù)、評(píng)分比例和情感比例，在微博上需重點(diǎn)關(guān)注博文數(shù)。

在本文的研究中，由于數(shù)據(jù)獲取難度等因素，只選取了24部影片作為研究對(duì)象，存在數(shù)據(jù)樣本受限、數(shù)據(jù)抓取不全面以及情感分析計(jì)算不精確等問題。在后續(xù)研究中，將選取更多的電影和更多的平臺(tái)進(jìn)行研究，在情感分析的精確度方面也力求做進(jìn)一步改進(jìn)。

口碑，即“眾人口頭上的稱頌”，多發(fā)生于強(qiáng)關(guān)系人群中而具備了較大的影響力，社會(huì)化媒體的興起使得網(wǎng)絡(luò)口碑的商業(yè)價(jià)值日益凸顯。本文選取的研究對(duì)象是電影評(píng)論信息，其研究方法和工具還可嘗試運(yùn)用于其他商業(yè)領(lǐng)域，如電子商務(wù)網(wǎng)站上用戶評(píng)論對(duì)于商品銷量的影響等，這對(duì)于信息、媒體傳播和營銷等領(lǐng)域的研究者來說都具有廣闊的研究空間。

參考文獻(xiàn)

[1]陳林. 社會(huì)化媒體的營銷力[J]. 廣告大觀(綜合版), 2009(10):134-135

[2]菲利普·科特勒. 營銷革命3.0-從產(chǎn)品到顧客,再到人文精神[M]. 北京: 機(jī)械工業(yè)出版社, 2011：8

[3]鄒立清. 論社會(huì)化媒體發(fā)展趨勢(shì)下的營銷變革[J].科學(xué)經(jīng)濟(jì)社會(huì), 2012(1): 83-86, 93

[4]邱蕾. 社會(huì)化媒體對(duì)消費(fèi)者購買意愿的影響研究[D]. 南昌: 江西財(cái)經(jīng)大學(xué), 2009：1

[5]中國電子商務(wù)研究中心. 網(wǎng)絡(luò)營銷縱深化滲透，社會(huì)化媒體營銷驚人[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] 徐學(xué)鵬. 運(yùn)用Twitter進(jìn)行預(yù)測(cè)性研究的方法和特點(diǎn)——以美劇和電影為例[D]. 杭州: 浙江大學(xué), 2011：47

[16] 鄭亞琴, 樊鵬. 社會(huì)化媒體商業(yè)預(yù)測(cè)價(jià)值研究——基于電影票房數(shù)據(jù)的分析[J]. 吉林工商學(xué)院學(xué)報(bào), 2012, 28(3): 60-63

[17] 宋恩梅, 朱夢(mèng)嫻. 社會(huì)化媒體信息分布規(guī)律研究: 以電影評(píng)論為例[J]. 信息資源管理學(xué)報(bào), 2015(3): 25-36

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

[19] “藝恩娛樂決策智庫”[EB/OL]. [2014-10-20].http://www.entgroup.com.cn/enbase/enbase.shtml

[20] 周才庶. 電影票房與網(wǎng)絡(luò)評(píng)分的關(guān)聯(lián)性分析——以2010 年票房過億元的國產(chǎn)影片為例[J]. 當(dāng)代電影, 2011(3):109-113

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

[22] 朱曉峰.生命周期方法論[J]. 科學(xué)學(xué)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

[中圖分類號(hào)]G250

[文獻(xiàn)標(biāo)識(shí)碼]A

[文章編號(hào)]2095-2171(2015)04-0057-08

[作者簡(jiǎn)介]朱夢(mèng)嫻，女，助理館員，碩士，研究方向?yàn)樾畔①Y源管理及情報(bào)學(xué)方法，Email：elainezhu@wust.edu.cn。

[基金項(xiàng)目]本文系國家社會(huì)科學(xué)基金項(xiàng)目“參與協(xié)作式情報(bào)空間的構(gòu)建與應(yīng)用研究”(10CTQ016)的成果之一。