Hvordan "Hyperbolic Discounting" afslører typisk menneskelige fejl

Enhver, der er set Bridget Jones dagbog ved et af hendes nytårs resolutioner er "ikke gå ud hver aften, men hold dig ind og læse bøger og lytte til klassisk musik."

Virkeligheden er imidlertid væsentligt anderledes. Hvad folk rent faktisk gør i deres fritid stemmer ofte ikke overens med, hvad de siger, de vil gøre.

Økonomer har betegnet dette fænomen "hyperbolisk diskontering". I et berømt studie med titlen "Betaler ikke at gå i gymnastiksalen" fandt et par økonomer, at når folk blev tilbudt valget mellem en pay-per-visit kontrakt og et månedligt gebyr, de var mere tilbøjelige til at vælge månedlige gebyr og faktisk endte med at betale mere per besøg. Det skyldes, at de overvurderede deres motivation til at træne.

Hyperbolisk diskontering er kun en udfordring at operere i en kreativ industri. Smag er meget subjektive, og elementerne i plot og fortælling, der gør en film til et enormt hit, kunne let gøre en anden til et kritisk og kommercielt fiasko.

I årtier har annoncører og marketingfolk kæmpet for at forudsige forbruget af fritidsprodukter som film og bøger. Det er lige så udfordrende at bestemme timingen. Hvilken weekend skal et studie slippe en ny film? Når en udgiver udgiver en kopi af en bog, hvordan beslutter de, hvornår man skal frigive e-bog-versionen?

I dag giver store data ny synlighed i, hvordan folk oplever underholdning. Som forsker, der studerer virkningen af ​​kunstig intelligens og sociale medier, er der tre kræfter, der står ud for mig som særligt kraftfulde i forudsigelsen af ​​menneskelig adfærd.

1. Den lange hale økonomi

Internettet gør det muligt at distribuere underholdningsprodukter, der er mindre populære end mainstream-succeser. Streaming shows kan erhverve et større publikum end hvad der er økonomisk muligt for distribution via prime-time tv. Dette økonomiske fænomen er omtalt som den lange haleffekt.

Da streamingmediefirmaer som Netflix ikke behøver at betale for at distribuere indhold i biografer, kan de producere flere shows, der imødekommer niche publikum. Netflix brugte data fra deres individuelle kundees synsvaner for at beslutte at komme tilbage Korthus, som blev afvist af tv-netværk. Netflix data viste, at der var en fan base for film regisseret af Fincher og film med Spacey, og at et stort antal kunder havde lejet dvd'er fra den oprindelige BBC-serie.

2. Social indflydelse i tiden for kunstig intelligens

Med sociale medier kan folk dele, hvad de ser på med deres venner, idet ellers uafhængige underholdningsoplevelser bliver mere sociale.

Ved at minde data fra sociale websteder som Twitter og Instagram kan virksomheder spore i realtid, hvad filmgæster tænker på en given film, show eller sang. Filmstudier kan bruge en skattekiste af digitale data til at bestemme, hvordan man fremmer shows og udgivelsesdatoer for film.For eksempel er volumenet af Google-søgninger af en filmens trailer i måneden før sin premiere en førende forudsigelse for Oscars vindere samt omsætningen af ​​box office. Filmstudier kan kombinere historiske data om filmudgivelsesdatoer og box office-præstationer med søgetrender for at forudsige ideelle udgivelsesdatoer for nye film.

Mining sociale medier data hjælper også virksomheder til at identificere negative følelser, før det spiraler ind i en krise. En enkelt tweet fra en ulykkelig indflydelsesrig kunde kan gå viral og forme den offentlige mening.

I en undersøgelse, jeg udførte med Yong Tan fra University of Washington og Cath Oh fra Georgia State University, viste vi, hvordan en sådan social indflydelse ikke kun afgør, hvilke YouTube-videoer bliver mere populære, men også de videoer, der deles af indflydelsesrige brugere, bliver endnu mere udbredt.

En undersøgelse viser, at når studierne holder opmærksom på social media buzz før en films frigivelse, reduceres forskellen mellem den forventede omsætning og den faktiske omsætning, kendt som prognosefejlen, med 31 procent.

3. Forbrug Analytics

Store data giver bedre synlighed i, hvilke bøger og viser folk rent faktisk bruger deres tid til at nyde.

Matematikeren Jordan Ellenberg pionerer brugen af ​​Hawking-indekset, en måling af gennemsnittet på de fem mest fremhævede passager i en Kindle-bog som en del af den bogs samlede længde. Hawking indekset viser, hvornår folk giver op på en bog. Hvis en 250-siders bogs gennemsnitlige Kindle-fremhævning vises på side 250, ville det give det et Hawking-indeks på 100 procent.

Teorien får sit navn fra Stephen Hawking En kort historie i tiden. Mens denne bog stadig sælger millioner af kopier om året, ses det sjældent med et svagt Hawking-indeks på 6,6 procent.

Når et firma som Amazon bestemmer hvilke bøger der skal anbefales til potentielle læsere, eller som Prime viser at producere, ser de på detaljerede digitale spor, hvilke plotpunkter involverede målgrupper, og som ikke. Dette kan hjælpe dem med at promovere en kommende udgivelse eller gøre bedre anbefalinger til de enkelte brugere.

Derudover kan nye typer kunstig intelligens undersøge, hvad der gør folk engageret med kreativt indhold. Eksempelvis har et firma ved navn Epagogix pioneret en tilgang ved hjælp af et neuralt netværk - et kunstigt intelligensværktøj, der søger mønstre i meget store mængder data - på et sæt skærmbilleder bedømt af eksperter i underholdningsindustrien. Computeren kunne derefter forudsige den økonomiske succes af en film. Ifølge nogle rapporter kan sådan kunstig intelligens forudsige op til 75 procent af filmernes faktiske åbning grosses.

I lyset af nye store dataindtryk som disse, kan underholdningsvirksomheder snart vide, hvad Bridget Jones gerne vil gøre med hendes fritid bedre end Bridget selv gør.

Denne artikel blev oprindeligt udgivet på The Conversation af Anjana Susarla. Læs den oprindelige artikel her.