Hur "Hyperbolic Discounting" avslöjar vanligtvis mänskliga brister

Någon som tittade på Bridget Jones dagbok vet att ett av hennes nyårs resolutioner är "Gå inte ut varje kväll utan stanna och läs böcker och lyssna på klassisk musik."

Verkligheten är emellertid väsentligt annorlunda. Vad människor faktiskt gör i sin fritid matchar ofta inte med vad de säger att de ska göra.

Ekonomer har betecknat detta fenomen "hyperbolisk diskontering". I en berömd studie med titeln "Betala inte för att gå till gym", fann ett par ekonomer att när människor erbjöds valet mellan ett lön per besökskontrakt och en månadsavgift, de var mer benägna att välja månadsavgiften och faktiskt hamnade betala mer per besök. Det beror på att de överskattade deras motivation att träna.

Hyperbolisk diskontering är bara en utmaning att fungera i en kreativ industri. Smaker är mycket subjektiva, och elementen i plot och berättelse som gör en film till en enorm träff kan enkelt göra en annan ett kritiskt och kommersiellt misslyckande.

I årtionden kämpade annonsörer och marknadsförare för att förutsäga konsumtionen av fritidsprodukter som filmer och böcker. Det är lika utmanande att bestämma tidpunkten. Vilken helg ska en studio släppa en ny film? När en utgivare släpper ut en kopia av en bok, hur bestämmer de sig när man ska släppa e-boksversionen?

Idag erbjuder stora data ny syn på hur människor upplever underhållning. Som forskare som studerar effekterna av artificiell intelligens och sociala medier finns det tre krafter som står ut för mig som särskilt kraftfulla för att förutsäga mänskligt beteende.

1. Ekonomien i den långa svansen

Internet gör det möjligt att distribuera underhållningsprodukter som är mindre populära än vanliga framgångar. Streamningsshow kan förvärva en större publik än vad som är ekonomiskt möjligt för distribution via prime-time-tv. Detta ekonomiska fenomen kallas långklackseffekten.

Eftersom streamingmediaföretag som Netflix inte behöver betala för att distribuera innehåll i biografer, kan de producera fler shows som tillgodoser nischgrupper. Netflix använde data från sina enskilda kunders beteendevanor för att bestämma sig för att återvända Korthus, som avvisades av tv-nät. Netflix-data visade att det fanns en fläktbas för filmer som regisserades av Fincher och filmer som rymde Spacey, och att ett stort antal kunder hade hyrt DVD-skivor från den ursprungliga BBC-serien.

2. Social inverkan i tiden för artificiell intelligens

Med sociala medier kan människor dela vad de tittar på med sina vänner, annars blir oberoende underhållningsupplevelser mer sociala.

Genom att bryta data från sociala webbplatser som Twitter och Instagram kan företag spåra i realtid vad filmgäster tycker om en viss film, show eller sång. Filmstudior kan använda en skattkista av digitala data för att bestämma hur man marknadsför show och släpp datum för filmer.Exempelvis är volymen av Googles sökningar av en filmens trailer under månaden före premiären en ledande förutsägare för Oscars vinnare samt kassakontorintäkter. Filmstudior kan kombinera historiska data om filmutgivningsdatum och box office-prestanda med söktrender för att förutse idealiska frisläppningsdatum för nya filmer.

Mining sociala medier data hjälper också företagen att identifiera negativa känslor innan det spiraler i en kris. En enda tweet från en olycklig inflytelserik kund kan gå viral och forma den allmänna opinionen.

I en studie som jag utförde med Yong Tan från University of Washington och Cath Oh från Georgia State University visade vi hur ett sådant socialt inflytande inte bara bestämmer vilka YouTube-videor som blir mer populära, men också att videoklipp som delas av inflytelserika användare blir ännu mer uppfattade.

En studie visar att när studiorna uppmärksammar social media buzz innan en film släpps, minskade skillnaden mellan den beräknade intäkten och den faktiska intäkten, som kallas prognosfelet, med 31 procent.

3. Konsumtionsanalys

Stora data ger bättre synlighet i vilka böcker och visar att människor faktiskt spenderar sin tid att njuta av.

Matematiker Jordan Ellenberg pionjerade användningen av Hawking-indexet, en mätning av det genomsnittliga sidnummeret för de fem mest markerade passagerna i en Kindle-bok som en del av den bokens totala längd. Hawkingindexet visar när människor ger upp på en bok. Om en 250-sidig boks genomsnittlig Kindle-höjd visas på sidan 250, skulle det ge ett Hawking-index på 100 procent.

Teorin får sitt namn från Stephen Hawking s En kort historia i tid. Medan den här boken fortfarande säljer miljontals exemplar om året, läses det också sällan, med ett dyster Hawking-index på 6,6 procent.

När ett företag som Amazon bestämmer vilka böcker som ska rekommenderas till potentiella läsare eller som Prime visar att producera, tittar de på detaljerade digitala spår av vilka plotpoäng som engagerar publiken och som inte gjorde det. Detta kan hjälpa dem att marknadsföra en kommande release eller att göra bättre rekommendationer till enskilda användare.

Dessutom kan nya typer av artificiell intelligens undersöka vad som gör att människor engagerar sig i kreativt innehåll. Ett företag med namnet Epagogix pionjerade exempelvis ett sätt att använda ett neuralt nätverk - ett artificiellt intelligensverktyg som letar efter mönster i mycket stora mängder data - på en uppsättning skärmskärmar som rankats av experter inom underhållningsindustrin. Därefter kan datorn förutse den ekonomiska framgången för en film. Enligt vissa rapporter kan sådan artificiell intelligens förutspå upp till 75 procent av filmens faktiska inledande grosses.

Med tanke på nya stora datainblickar som dessa kan underhållningsföretag snart veta vad just Bridget Jones skulle vilja göra med sin fritid bättre än Bridget själv gör.

Denna artikel publicerades ursprungligen på The Conversation av Anjana Susarla. Läs den ursprungliga artikeln här.