Прогнозирование финансовой эффективности российского кинематографа с помощью многофакторной ансамблевой модели машинного обучения, тренированной на данных прошлых периодов

Объект исследования — данные проката российского кинематографа c июля 2022 по сентябрь 2023 г., 185 кинокартин.

Инструмент исследования — предобученные на базе прошлых периодов (с 2004 по июль 2022 г., 1500 кинокартин) 26-и 146-факторные модели машинного обучения.

Цель исследования — доказать, что модели машинного обучения, обученные на данных прошлых периодов, могут прогнозировать будущие данные. Это особенно важно для финансирования программ развития национального кинематографа в России и привлечения частных инвестиций в условиях ухода иностранных кинодистрибьюторов с рынка. В исследовании использовались методы оценки кинопроектов на основе исторической доходности по прокатным показателям и характеристикам творческих (съемочных) групп. Акцент сделан на ансамблевых моделях — AdaBoost, Bagging, ExtraTrees, GradientBoosting, RandomForest, Stacking, Voting, XGBoost, CatBoost.

Новизна исследования заключается во введении в научный оборот новых источников и возможности практического применения разработанных подходов для государственного и частного инвесторов при оценке проектов фильмов до начала производственного цикла.

Выводы: поскольку падение метрик качества (accuracy, roc_auc и других) на выборке из 185 новых кинофильмов (по сентябрь 2023 г.) оказалось незначительным, это открывает возможность использования предобученных моделей на данных прошлых периодов для прогнозирования сборов и других результатов кинопроката. Проанализировав прошлые проекты режиссера, сценаристов, оператора, продюсеров, художника, монтажера, композитора и ключевых актеров, а также предполагаемые прокатные данные и объем финансирования, можно с высокой точностью предсказать успех фильма. Это позволит оценить общие сборы, окупаемость, количество просмотров и зрительский рейтинг.

1. Paul C., Das P. K. Predicting movie revenue before committing significant investments. Journal of Media Economics. 2022;34(2):63–90. DOI: 10.1080/08997764.2022.2066108

2. Mbunge E., Fashoto S. G., Bimha H. Prediction of box-office success: A review of trends and machine learning computational models. International Journal of Business Intelligence and Data Mining. 2022;20(2):192–207. DOI: 10.1504/IJBIDM.2022.120825

3. Tantawichien J., Mizuyama H., Nonaka T. Designing a human computation game for enhancing early-phase movie box office prediction. In: Hamada R., et al. Neo-simulation and gaming toward active learning. Singapore: Springer; 2019:13–22. (Translational Systems Sciences. Vol. 18.). DOI: 10.1007/978–981–13–8039–6-2

4. Pirunthavi V., Vithusia R. P., Abishankar K., Ekanayake E. M., Yanusha M. Movie success and rating prediction using data mining algorithms. In: Int. res. conf. of Uva Wellassa University (IRCUWU-2020) “Sustainable business transition through information and knowledge dissemination”. Badulla: Uva Wellassa University; 2020:175–176. URL: https://www.uwu.ac.lk/wp-content/uploads/2020/proceeding-of-ircuwu2020-v2.pdf

5. Chakraborty P., Rahman Z., Rahman S. Movie success prediction using historical and current data mining. International Journal of Computer Applications. 2019;178(47):1–5. DOI: 10.5120/ijca2019919415

6. Murschetz P. C., Bruneel C., Guy J. L., et al. Movie industry economics: How data analytics can help predict movies’ financial success. Nordic Journal of Media Management. 2020;1(3):339–359. DOI: 10.5278/njmm.2597–0445.5871

7. Bruneel C., Guy J.-L., Haughton D., et al. Movie analytics and the future of film finance. Are Oscars and box office revenue predictable? In: Murschetz P., Teichmann R., Karmasin M., eds. Handbook of state aid for film. Media business and innovation. Cham: Springer; 2018:551–578. DOI: 10.1007/978–3–319–71716–6-30

8. Ruus R., Sharma R. Predicting movies’ box office result — a large scale study across Hollywood and Bollywood. In: Cherifi H., Gaito S., Mendes J., Moro E., Rocha L., eds. Complex networks and their applications VIII. (COMPLEX NETWORKS 2019). Cham: Springer; 2020:982–994. (Studies in Computational Intelligence. Vol. 882). DOI: 10.1007/978–3–030–36683–4-78

9. Adekola O. D., Maitanmi S. O., Kasali F. A., et al. Movie success prediction using data mining. British Journal of Computer, Networking and Information Technology. 2021;4(2):22–30. DOI: 10.52589/BJCNIT-CQOCIREC

10. Namlı Ö., Ozcan T. Forecasting of box office revenue using machine learning algorithms. Yönetim Bilişim Sistemleri Dergisi. 2017;(3):130–143.

11. Wang Z., Zhang J., Ji S., et al. Predicting and ranking box office revenue of movies based on Big Data. Information Fusion. 2020;60:25–40. DOI: 10.1016/j.inffus.2020.02.002

12. Shahid M. H., Islam M. A. Investigation of time series-based genre popularity features for box office success prediction. The Open Access Journal for Computer Science. 2023;9: e1603. DOI: 10.7717/peerj-cs.1603

13. Дождиков А. В. Прогнозирование результатов кинопроката с помощью машинного обучения. Вопросы теоретической экономики. 2023(4):93–114. DOI: 10.52342/2587–7666VTE-2023-4-93-114

14. Дождиков А. В. Определение инвестиционного успеха и его факторов для российского кино в прокате с помощью машинного обучения. Финансы: теория и практика. 2024;28(1):188–203. DOI: 10.26794/2587–5671–2024–28–1–188–203

15. Abidi S. M.R., Xu Y., Ni J., Wang X., Zhang W. Popularity prediction of movies: From statistical modeling to machine learning techniques. Multimedia Tools and Applications. 2020;79(4):35583–35617. DOI: 10.1007/s11042–019–08546–5

16. Li D., Liu Z.-P. Predicting box-office markets with machine learning methods. Entropy. 2022;24(5):711. DOI: 10.3390/ e24050711

17. Qin M., Zhou Q., Chen W., Zhao L. MAMRP: Multi-modal data aware movie rating prediction. In: Yang X., et al. Advanced data mining and applications (ADMA 2023). Cham: Springer; 2023:660–675. (Lecture Notes in Computer Science. Vol. 14177). DOI: 10.1007/978–3–031–46664–9-44

18. Lu S.-H., Wang H.-J., Nguyen A. T. Machine learning applications on box-office revenue forecasting: The Taiwanese film market case study. In: Optimal transport statistics for economics and related topics. Cham: Springer; 2023:384–402. (Studies in Systems, Decision and Control. Vol. 483). DOI: 10.1007/978–3–031–35763–3-49

19. Gore M., Sheth A., Abbad S., Jain P., Mishra P. IMDB box office prediction using machine learning algorithms. International Journal for Research in Applied Science and Engineering Technology. 2022;10(5):2438–2442. DOI: 10.22214/ijraset.2022.42653

20. Kang D. Box-office forecasting in Korea using search trend data: A modified generalized Bass diffusion model. Electronic Commerce Research. 2021;21(3):41–72. DOI: 10.1007/s10660–020–09456–7

21. Li Na., Xia L. Correlation analysis of network Big Data and film time-series data based on machine learning algorithm. Mathematical Problems in Engineering. 2022. DOI: 10.1155/2022/4067554

22. Yoo B.-K., Kim S.-H. Movie box offi ce prediction at the distribution stage using text mining of movie reviews. The Korean Logistics Research Association. 2023;33(1):95–105. DOI: 10.17825/klr.2023.33.1.95

23. Quader N., Gani O., Chaki D. Performance evaluation of seven machine learning classifi cation techniques for movie box offi ce success prediction. In: 3rd Int. conf. on electrical information and communication technology (EICT). (Khulna, December 7–9, 2017). New York, NY: IEEE; 2017:1–6. DOI: 10.1109/EICT.2017.8275242

24. Lee K., Park J., Kim I., Choi Y. Predicting movie success with machine learning techniques: Ways to improve accuracy. Information Systems Frontiers. 2018;20(3):577–588. DOI: 10.1007/s10796–016–9689-z

25. Hu Y.-H., Shiau W.-M., Shih S.-P., Chen C.-J. Considering online consumer reviews to predict movie box-office performance between the years 2009 and 2014 in the US. The Electronic Library. 2018;36(6):1010–1026. DOI: 10.1108/EL-02–2018–0040

26. Gürbüz A., Biçer E., Kaya T. Prediction of gross movie revenue in the Turkish box offi ce using machine learning techniques. In: Kahraman C., et al., eds. Intelligent and fuzzy systems (INFUS 2022). Cham: Springer; 2022:86–92. (Lecture Notes in Networks and Systems. Vol. 505). DOI: 10.1007/978–3–031–09176–6-10

27. Ni Y., Dong F., Zou M., Li W. Movie box office prediction based on multi-model ensembles. Information. 2022;13(6):299. DOI: 10.3390/info13060299

28. Lee S., Bikash K. C., Choeh J. Y. Comparing performance of ensemble methods in predicting movie box offi ce revenue. Heliyon. 2020;6(6): e04260. DOI: 10.1016/j.heliyon.2020.e04260

29. Park J. H., Lim C. Predicting movie audience with stacked generalization by combining machine-learning algorithms. Communications for Statistical Applications and Methods. 2021;28(3):217–232. DOI: 10.29220/CSAM.2021.28.3.217

30. Dutta S., Dasgupta K. A shallow approach to gradient boosting (XGBoosts) for prediction of the box offi ce revenue of a movie. In: Proc. Int. conf. on innovations in software architecture and computational systems. Singapore: Springer; 2021:207–219. DOI: 10.1007/978–981–16–4301–9-16

31. Su Y., Zhang Y., Yan J. Neural network based movie rating prediction. In: Proc. Int. conf. on Big Data and computing (ICBDC’18). (Shenzhen, April 28–30, 2018). New York, NY: Association for Computing Machinery; 2018:33–37. DOI: 10.1145/3220199.3220204

32. Ru Y., Li B., Chai J. An effective daily box offi ce prediction model based on deep neural networks. Cognitive Systems Research. 2018;52:182–191. DOI: 10.1016/j.cogsys.2018.06.018

33. Wang W., Xiu J., Yang Z., Liu C. A deep learning model for predicting movie box offi ce based on deep belief network. In: Tan Y., Shi Y., Tang Q., eds. Advances in swarm intelligence (ICSI 2018). Cham: Springer; 2018:530–541. (Lecture Notes in Computer Science. Vol. 10942). DOI: 10.1007/978–3–319–93818–9-51

34. Lu W., Zhang X., Zhan X. Movie box offi ce prediction based on IFOA-GRNN. Discrete Dynamics in Nature and Society. 2022:3690077. DOI: 10.1155/2022/3690077