Hvordan "Hyperbolic Discounting" avslører vanligvis menneskelige feil

Alle som er sett på Bridget Jones Dagbok vet at et av hennes nyttårs resolusjoner er "Ikke gå ut hver kveld, men hold deg inn og les bøker og lytt til klassisk musikk."

Virkeligheten er imidlertid vesentlig forskjellig. Hva folk faktisk gjør i fritiden deres, stemmer ofte ikke overens med det de sier de vil gjøre.

Økonomene har betegnet dette fenomenet "hyperbolisk diskontering". I et kjent studie med tittelen "Betaler ikke for å gå på treningsstudioet", fant et par økonomer at når folk ble tilbudt valget mellom en betal-per-besøk-kontrakt og en månedlig avgift, de var mer sannsynlig å velge månedlig avgift og faktisk endte opp med å betale mer per besøk. Det er fordi de overvurderte sin motivasjon til å trene.

Hyperbolisk diskontering er bare en utfordring for å operere i en kreativ industri. Smaker er svært subjektive, og elementene i tegning og fortelling som gjør en film til en enorm hit, kan lett gjøre en annen til en kritisk og kommersiell feil.

I flere tiår har annonsører og markedsførere slått for å forutsi forbruket av fritidsprodukter som filmer og bøker. Det er like vanskelig å bestemme timingen. Hvilken helg skal et studio slippe en ny film? Når en utgiver publiserer en kopi av en bok, hvordan bestemmer de når man skal slippe e-boksversjonen?

I dag gir store data ny synlighet til hvordan folk opplever underholdning. Som forsker som studerer virkningen av kunstig intelligens og sosiale medier, er det tre krefter som skiller meg ut som spesielt kraftig i å forutse menneskelig atferd.

1. Økonomi av den lange halen

Internett gjør det mulig å distribuere underholdningsprodukter som er mindre populære enn vanlige suksesser. Streamingsprogrammer kan skaffe seg et større publikum enn det som er økonomisk mulig for distribusjon gjennom førsteklasses tv. Dette økonomiske fenomenet refereres til som lang haleffekten.

Siden streamingmediaselskaper som Netflix ikke trenger å betale for å distribuere innhold i kinoer, kan de produsere flere forestillinger som imøtekommer nisjemålere. Netflix brukte data fra sine individuelle kunders visningsvaner for å bestemme seg for å komme tilbake Korthus, som ble avvist av fjernsynsnettverk. Netflix-data viste at det var en fanebase for filmer regissert av Fincher og filmer med stjernespillet Spacey, og at et stort antall kunder hadde leid DVDer fra den opprinnelige BBC-serien.

2. Sosial innflytelse i tiden for kunstig intelligens

Med sosiale medier kan folk dele hva de ser på med sine venner, noe som gjør at ellers uavhengige underholdningsopplevelser blir mer sosiale.

Ved å utvinne data fra sosiale nettsteder som Twitter og Instagram, kan bedrifter spore i sanntid hva filmister tenker på en gitt film, show eller sang. Filmstudier kan bruke en skattekiste av digitale data for å bestemme hvordan man skal fremme show og slippe datoer for filmer.For eksempel er volumet av Google-søk i en filmens trailer i løpet av måneden før premieren en ledende spådommer for Oscar-vinnere, så vel som omsetningen til boksene. Filmstudier kan kombinere historiske data om filmutgivelsesdatoer og bokseprestasjon med søketrender for å forutsi ideelle utgivelsesdatoer for nye filmer.

Mining sosiale medier data hjelper også bedrifter til å identifisere negative følelser før det spiraler inn i en krise. En enkelt tweet fra en ulykkelig innflytelsesrik kunde kan gå viral og forme den offentlige mening.

I en studie jeg gjennomførte med Yong Tan fra University of Washington og Cath Oh fra Georgia State University, viste vi hvordan en slik sosial påvirkning ikke bare bestemmer hvilke YouTube-videoer som blir mer populære, men også at videoene som deles av innflytelsesrike brukere, blir enda mer utbredt.

En studie viser at når studioene tar hensyn til sosial media-buzz før en filmens utgivelse, reduseres forskjellen mellom forventet inntekt og den faktiske omsetningen, kjent som prognosefeilen, med 31 prosent.

3. Forbruker Analytics

Store data gir bedre synlighet i hvilke bøker og viser at folk faktisk bruker sin tid på å nyte.

Matematikeren Jordan Ellenberg pionerer bruken av Hawking-indeksen, et mål på det gjennomsnittlige sidetalren til de fem mest fremhevede passasjerene i en Kindle-bok som en del av bokens totale lengde. Hawking-indeksen viser når folk gir opp på en bok. Hvis en gjennomsnittlig Kindle-høyde på 250 sider vises på side 250, vil det gi en Hawking-indeks på 100 prosent.

Teorien får navnet sitt fra Stephen Hawking En kort historie i tid. Mens denne boken fortsatt selger millioner av eksemplarer om året, leses den sjelden, med en darlig Hawking-indeks på 6,6 prosent.

Når et selskap som Amazon bestemmer hvilke bøker som skal anbefales til potensielle lesere eller som Prime viser å produsere, ser de på detaljerte digitale spor av hvilke plottepunkter involvert publikum, og som ikke gjorde det. Dette kan hjelpe dem med å markedsføre en kommende utgivelse eller å gi bedre anbefalinger til enkeltbrukere.

I tillegg kan nye typer kunstig intelligens undersøke hva som gjør folk engasjere seg med kreativt innhold. For eksempel, et selskap ved navn Epagogix pionerer en tilnærming ved hjelp av et neuralt nettverk - et kunstig intelligensverktøy som ser etter mønstre i svært store mengder data - på et sett med skjermer vurdert av eksperter i underholdningsindustrien. Datamaskinen kan da forutsi den økonomiske suksessen til en film. Ifølge noen rapporter kan slik kunstig intelligens forutsi opptil 75 prosent av filmens faktiske åpning av grosses.

Gitt nye store datainnskudd som disse, kan underholdningsfirmaer snart vite hva akkurat Bridget Jones vil gjerne gjøre med fritiden sin bedre enn Bridget selv gjør.

Denne artikkelen ble opprinnelig publisert på The Conversation av Anjana Susarla. Les den opprinnelige artikkelen her.