3 Ways, что большие данные показывают, что вы действительно любите смотреть, читать и слушать

неприкосновенность частной жизни

3 Ways, что большие данные показывают, что вы действительно любите смотреть, читать и слушатьГенерация новых развлекательных данных. MinDof / shutterstock.com

Любой, кто смотрел «Дневник Бриджит Джонс», знает, что одно из ее новогодних решений: «Не выходить каждый вечер, а оставаться и читать книги и слушать классическую музыку».

Реальность, однако, существенно отличается. То, что люди на самом деле делают в свободное время, часто не совпадает с тем, что, по их словам, они будут делать.

Экономисты назвали это явление «гиперболическим дисконтированием». В известном исследовании под названием «Платить, чтобы не ходить в спортзал«Несколько экономистов обнаружили, что, когда людям предлагался выбор между контрактом с оплатой за посещение и ежемесячной абонентской платой, они с большей вероятностью выбирали ежемесячную плату и фактически получали больше за посещение. Это потому, что они переоценили свою мотивацию к работе.

Гиперболическое дисконтирование - это всего лишь одна из задач работы в креативной индустрии. Вкусы очень субъективны, а элементы сюжета и повествования, которые делают один фильм огромным хитом, могут легко сделать другой критический и коммерческий провал.

На протяжении десятилетий рекламодатели и маркетологи изо всех сил пытались предсказать потребление товаров для отдыха, таких как фильмы и книги. Не менее сложно определить время. В какие выходные студия должна выпустить новый фильм? Когда издатель выпускает печатную копию книги, как они решают, когда выпустить версию электронной книги?

Сегодня большие данные дают новое представление о том, как люди воспринимают развлечения. Как исследователь, который учится Влияние искусственного интеллекта и социальных сетей, есть три силы, которые выделяются для меня как особенно мощные в прогнозировании человеческого поведения.

1. Экономика длинного хвоста

Интернет позволяет распространять развлекательные продукты, которые менее популярны, чем обычные успехи. Потоковые передачи могут получить большую аудиторию, чем экономически целесообразно для распространения через прайм-тайм. Это экономическое явление называется эффект длинного хвоста,

Поскольку компании, занимающиеся потоковым мультимедиа, такие как Netflix, не должны платить за распространение контента в кинотеатрах, они могут создавать больше шоу, ориентированных на нишевую аудиторию. Netflix использовала данные о взглядах своих индивидуальных клиентов, чтобы принять решение поддержать «карточный домик», который был отклонен телевизионными сетями, Данные Netflix показали, что у фанатов были фильмы, снятые режиссером Финчером, и фильмы с участием Спейси, и что большое количество клиентов арендовали DVD-диски оригинальной серии BBC.

2. Социальное влияние в эпоху искусственного интеллекта

С помощью социальных сетей люди могут делиться тем, что они смотрят, со своими друзьями, благодаря чему независимые развлечения становятся более социальными.

Используя данные социальных сайтов, таких как Twitter и Instagram, компании могут отслеживать в реальном времени, что зрители думают о фильме, шоу или песне. Киностудии могут использовать сокровищницу цифровых данных, чтобы решить, как продвигать шоу и даты выпуска фильмов. Например, объем Google ищет трейлер фильма за месяц до его премьеры является ведущим предиктором победителей Оскара, а также кассовых сборов. Киностудии могут объединять исторические данные о датах выпуска фильмов и кассовых показателях с тенденции поиска в предсказать идеальные даты выхода новых фильмов.

Сбор данных в социальных сетях также помогает компаниям выявлять негативные настроения до того, как они разразятся кризисом. Один твит от несчастного влиятельного клиента может стать вирусным, формируя общественное мнение.

В исследовании, которое я провел с Йонг Таном из Университета штата Вашингтон и Кэт О из Университета штата Джорджия, мы показали как такое социальное влияние определяет не только то, какие видео YouTube становятся более популярными, но также и то, что видео, которыми делятся влиятельные пользователи, становятся еще более популярными.

Одно исследование показывает, что когда студии обращают внимание на шум в социальных сетях перед выпуском фильма, разница между прогнозируемым доходом и фактическим доходом, известным как ошибка прогноза, уменьшается на 31 процентов.

3. Аналитика потребления

Большие данные обеспечивают лучшее представление о том, какие книги и на самом деле люди проводят, наслаждаясь временем.

Математик Джордан Элленберг впервые использовал Индекс Хокингамера среднего числа страниц пяти наиболее выделенных отрывков в книге Kindle в виде доли от общей длины этой книги. Индекс Хокинга показывает, когда люди разочаровываются в книге. Если на странице 250 появится среднее выделение Kindle на странице 250, то индекс Хокинга составит 100 процентов.

Эта теория получила свое название от «Краткой истории во времени» Стивена Хокинга. Хотя эта книга по-прежнему продается миллионами копий в год, ее также редко читают, с удручающим индексом Хокинга, равным проценту 6.6.

Когда такая компания, как Amazon, решает, какие книги порекомендовать потенциальным читателям или какую сериал «Прайм» создать, они рассматривают подробные цифровые следы какие сюжетные точки привлекали аудиторию, а какие нет, Это может помочь им продвигать предстоящий релиз или давать лучшие рекомендации отдельным пользователям.

Более того, новые типы искусственного интеллекта могут исследовать, что заставляет людей взаимодействовать с творческим контентом. Например, компания под названием Epagogix впервые применила подход с использованием нейронной сети - инструмент искусственного интеллекта он ищет шаблоны в очень больших объемах данных - на основе набора сценариев, оцененных экспертами индустрии развлечений. Компьютер мог тогда предсказать финансовый успех фильма. По некоторым данным, такой искусственный интеллект может предсказать до 75 процентов фактических начальных брутто фильмов.

Учитывая новые данные о больших данных, подобные этим, развлекательные компании могут вскоре узнать, что именно Бриджит Джонс хотела бы сделать со своим досугом лучше, чем сама Бриджит.Беседа

Об авторе

Анжана Сусарла, доцент кафедры информационных систем, Университет штата Мичиган

Эта статья переиздана из Беседа под лицензией Creative Commons. Прочтите оригинал статьи.

Книги по этой теме

Конфиденциальность в эпоху больших данных: Признавая угрозы, Защищая свои права, и защита вашей семьи

неприкосновенность частной жизниАвтор: Тереза ​​Пейтон
Переплет: Книга в мягкой обложке
Особенности:
  • Для всех наших книг; Груз будет доставлен в нужное время. 100% удовлетворение гарантировано!

Марка: Rowman Littlefield Publishers
Студия: Rowman & Littlefield Publishers
Метка: Rowman & Littlefield Publishers
Издатель: Rowman & Littlefield Publishers
Производитель: Rowman & Littlefield Publishers

купить сейчас
Редакционный обзор: Сбор цифровых данных и наблюдение становятся все более распространенными и инвазивными с каждым днем; но лучший способ защитить себя и свои данные - это все, что вы можете сделать сами. Устройства, которые мы используем, чтобы получать купоны точно в срок, указания, когда мы потерялись, и поддерживать связь с близкими людьми, независимо от того, как далеко они находятся, также нарушают нашу конфиденциальность способами, о которых мы могли даже не знать. Наши устройства отправляют и собирают данные о нас всякий раз, когда мы их используем, но эти данные не защищены так, как мы предполагаем.

Конфиденциальность является сложной и личной. Многие из нас не знают, в какой степени данные собираются, хранятся, агрегируются и используются. Как показывают недавние откровения, мы подвергаемся такому уровню сбора данных и надзора, который невозможно себе представить. Хотя некоторые из этих методов могут фактически защитить нас и предоставить нам информацию и услуги, которые мы считаем полезными и желаемыми, другие могут оказаться коварными и чрезмерными.

Конфиденциальность в эпоху больших данных подчеркивает многие положительные результаты цифрового наблюдения и сбора данных, а также выделяет те формы сбора данных, с которыми мы можем не согласиться, и о которых мы, вероятно, ничего не знаем. Пэйтон и Клэйпул умело знакомят читателей со многими способами, за которыми мы «наблюдаем», и с тем, как настроить наше поведение и действия, чтобы восстановить нашу конфиденциальность. Авторы предлагают инструменты, изменения поведения и политические действия, которые мы можем предпринять для восстановления данных и безопасности личности. Любой, кто пользуется цифровыми устройствами, захочет прочитать эту книгу за ее четкий и понятный подход к миру больших данных и тому, что он означает для всех нас.




Аналитика больших данных в кибербезопасности (приложения для аналитики данных)

неприкосновенность частной жизниПереплет: Твердый переплет
Создатель (ы):
  • Onur Savas
  • Julia Deng

Студия: Публикации Ауэрбаха
Метка: Публикации Ауэрбаха
Издатель: Публикации Ауэрбаха
Производитель: Публикации Ауэрбаха

купить сейчас
Редакционный обзор:

Big data is presenting challenges to cybersecurity. For an example, the Internet of Things (IoT) will reportedly soon generate a staggering 400 zettabytes (ZB) of data a year. Self-driving cars are predicted to churn out 4000 GB of data per hour of driving. Big data analytics, as an emerging analytical technology, offers the capability to collect, store, process, and visualize these vast amounts of data. Big Data Analytics in Cybersecurity examines security challenges surrounding big data and provides actionable insights that can be used to improve the current practices of network operators and administrators.

Applying big data analytics in cybersecurity is critical. By exploiting data from the networks and computers, analysts can discover useful network information from data. Decision makers can make more informative decisions by using this analysis, including what actions need to be performed, and improvement recommendations to policies, guidelines, procedures, tools, and other aspects of the network processes.

Bringing together experts from academia, government laboratories, and industry, the book provides insight to both new and more experienced security professionals, as well as data analytics professionals who have varying levels of cybersecurity expertise. It covers a wide range of topics in cybersecurity, which include:

  • Сетевая криминалистика
  • Threat analysis
  • Vulnerability assessment
  • Визуализация
  • Cyber training.

In addition, emerging security domains such as the IoT, cloud computing, fog computing, mobile computing, and cyber-social networks are examined.

The book first focuses on how big data analytics can be used in different aspects of cybersecurity including network forensics, root-cause analysis, and security training. Next it discusses big data challenges and solutions in such emerging cybersecurity domains as fog computing, IoT, and mobile app security. The book concludes by presenting the tools and datasets for future cybersecurity research.





Threat Forecasting: Leveraging Big Data for Predictive Analysis

неприкосновенность частной жизниАвтор: John Pirc
Переплет: Книга в мягкой обложке
Особенности:
  • SYNGRESS MEDIA

Марка: imusti
Студия: Syngress
Метка: Syngress
Издатель: Syngress
Производитель: Syngress

купить сейчас
Редакционный обзор:

Drawing upon years of practical experience and using numerous examples and illustrative case studies, Threat Forecasting: Leveraging Big Data for Predictive Analysis discusses important topics, including the danger of using historic data as the basis for predicting future breaches, how to use security intelligence as a tool to develop threat forecasting techniques, and how to use threat data visualization techniques and threat simulation tools. Readers will gain valuable security insights into unstructured big data, along with tactics on how to use the data to their advantage to reduce risk.

  • Presents case studies and actual data to demonstrate threat data visualization techniques and threat simulation tools
  • Explores the usage of kill chain modelling to inform actionable security intelligence
  • Demonstrates a methodology that can be used to create a full threat forecast analysis for enterprise networks of any size




неприкосновенность частной жизни
enafarZH-CNzh-TWtlfrdehiiditjamsptrues

Следуйте за InnerSelf

Google плюс значокfacebook-значокTwitter-значокНовости-значок

Получить последнее по электронной почте

{Emailcloak = выкл}

ПОСЛЕДНИЕ СТАТЬИ

ВНУТРЕННИЕ ГОЛОСЫ

Следуйте за InnerSelf

Google плюс значокfacebook-значокTwitter-значокНовости-значок

Получить последнее по электронной почте

{Emailcloak = выкл}