همکاران سیستم- شرکت‌ها اکنون دسترسی بی سابقه ای به داده‌ها و تکنولوژی‌های پیچیده دارند که به کمک آنها می‌توانند بهتر از هر زمان دیگری برای کار خود تصمیم گیری آگاهانه داشته باشند. اما آیا شرکت‌ها از این امکان برای پیشبینی آنچه که مشتریان تمایل به نگاه کردن، گوش کردن و خرید دارند استفاده می‌کنند؟برای پاسخ به این پرسش و شناخت تکنولوژی‌های جدید مقاله زیر را بخوانید:
ما ادبیات فنی محققان دانشگاهی در مورد موتورهای جستجو و دلایل اساسی موفقیت فیلم‌ها و آهنگهای خاص را بررسی کردیم. سپس با نمایندگان ۱۸ سازمان که به نحوی دستی در پیشبینی موفقیت یا توصیه محصولات فرهنگی دارند مصاحبه کرده‌ایم. شرکت‌هایی نرم‌افزاری که برای فیلم، شبکه‌های تلویزیون کابلی، موسیقی، کتاب و خرید آنلاین، سیستم ارائه توصیه دارند. همچنین سراغ چند شرکت رفته‌ایم که کارشان اعلام پیشبینی به صنعت ساخت و توزیع محصولات فرهنگی است.
سال ۲۰۰۷ سال بدی برای بسیاری از ستارگان بزرگ سینما بود. یک استثناء عمده در این میان ویل اسمیت بود که فیلمش «من افسانه هستم» با اینکه در دسامبر روی پرده آمد، رکورد فروش ۷۷۰ میلیون دلار را بجا گذاشت. موفقیت اسمیت جای تعجب ندارد؛ به جز سری فیلمهای هری پا‌تر، فیلمهایی که اسمیت ستاره‌شان است، موفقیت و فروش آخر هفته بیشتری نسبت به هر هنرپیشه مرد دیگری دارند.
آیا اسمیت رازی بلد است که جیم کری و دیگران نمی‌دانند؟ کاملا ممکن است. وقتی اسمیت به هالیوود رفت تا کار فیلم را شروع کند، او و مدیر برنامه‌هایش لیستی از ۱۰ فیلم پرفروش تاریخ سینما را بررسی کردند: «ما فهرست فیلمهای بر‌تر را دیدیم و گفتیم خوب چه الگوهایی تکرار شده اند؟ متوجه شدیم که هر ۱۰ فیلم جلوه های ویژه دارند، ۹ فیلم از ۱۰ فیلم جلوه های ویژه با موجودات عجیب دارند و ۸ فیلم جلوه های ویژه و یک داستان عشقی داشته اند.
اسمیت آخر هفته‌ها نتایج فروش را بررسی می‌کند تا الگوهای موفقیت آنها را کشف کند. با در نظر گرفتن اینکه فیلمهایی که او انتخاب کرده بیش از ۱۲۰ میلیون دلار سود داشته‌اند، معلوم می‌شود که او ناظر تیزبینی است.
توانایی اسمیت در تجزیه و تحلیل و پیش بینی اینکه کدام فیلم موفق می‌شود، در واقع به نحوی خط بطلان بر علمی بودن پیشبینی سلیقه مصرف کننده است.
در واقع می‌توان گفت چنین پیشبینی هایی نه یک علم، بلکه نوعی هنر هستند. دلایل موفقیت یا شکست یک محصول هنری ناشناخته است. تولیدکنندگان فیلم، موسیقی، کتاب و پوشاک چشم انداز هنری خود را دنبال می‌کنند و آن را به عامه ارائه و عرضه می‌کنند. عامه ای که ممکن است وقتی محصول را دیدند نبوغ سازنده اش را تشخیص دهند یا خیر.
پس به آسانی می‌توان دریافت که چرا اغلب پیشبینی ذوق عامه را یک هنر می‌دانند. از لحاظ تاریخی، نه سازندگان و نه توزیع کنندگان «محصولات فرهنگی» تا به حال از تجزیه و تحلیل داده‌ها، آمار و مدلسازی پیشبینی برای تعیین موفقیت محصولاتشان استفاده نکرده اند. در عوض، شرکت‌ها با استفاده از مهارت افرادی که آنها را «سلیقه شناس» می‌نامند، آنچه را که مردم می‌خواهند بخرند پیشبینی می‌کنند و می‌سازند. در این روش سنتی احساسات مهم هستند، نه داده‌ها. هری کوهن، بنیانگذار کلمبیا پیکچرز، معتقد بود که می‌تواند موفقیت یک فیلم را بر اساس اینکه آیا موقع تماشای فیلم پشتش تیر می‌کشد یا نه، ارزیابی کند. اگر کمرش درد می‌گرفت، فیلم خوب بود!
قضاوت خلاقانه و تخصص نقش حیاتی در ایجاد، شکل دادن و بازاریابی محصولات فرهنگی بازی می‌کند. اما تعادل بین هنر و علم در حال تغییر است. امروزه شرکت‌ها دسترسی بی سابقه ای به داده‌ها و فناوری پیچیده ای دارند که حتی به بهترین کار‌شناسان خبره‌ی پیشبینی این امکان را می‌دهد عوامل و شواهدی را در نظر بگیرند که چند سال پیش در دسترسشان نبود.
در نتیجه، پیشبینی سلیقه مصرف کننده یکی از ویژگیهای برجسته حوزه های سرگرمی و خرید شده است. سازندگان و توزیع کنندگان محصولات فرهنگی تلاش می‌کنند پیشبینی کنند یک محصول خاص، قبل، در حین یا پس از ایجاد آن تا چه اندازه موفق خواهد شد. به این ترتیب مصرف کنندگان محصولات فرهنگی می‌توانند به توصیه هایی (که شکل دیگری از پیشبینی است) که می‌گوید از چه محصولات و یا چه ویژگی هایی از محصولات خوششان می‌آید اعتماد کنند.
ما در این مقاله نتایج یک تحقیق در مورد انواع روش های پیشبینی و پیشنهاد در طیف متنوعی از محصولات فرهنگی را توضیح می‌دهیم. در مقاله به این عناوین خواهیم پرداخت: چرا فناوری های پیشبینی و توصیه مهم هستند، روش های مختلفی که برای پیشبینی به کار می‌رود، زمینه و بافتی که این پیشبینی‌ها در آن استفاده می‌شوند و موانع استفاده گسترده‌تر از آنها کدام هستند.
اگر بتوان موفقیت و جذابیت محصولات فرهنگی را پیشبینی کرد، چرا نتوان برای محصولات یا خدمات دیگر این کار را کرد. چنین دانشی برای مدیران هر شرکتی که محصولات مصرف کننده را عرضه می‌کند به طور فزاینده ای برای موفقیت حیاتی خواهد بود. پیشبینی های پیچیده سلیقه مصرف کننده، به تصمیمگیری درباره سرمایه گذاری در هر حوزه محصول و خدمت مصرف کننده کمک می‌کند. امروزه دیگر رایج است که مصرف کنندگان از نظرات و رتبه بندی های آنلاین استفاده کنند، و تولیدکنندگان (دِل، لِگو، تیمبرلند) و خرده فروشان (سیرز، می‌سی) چنین نظرات و پیشنهاداتی را در دسترس مشتری بگذارند. با زیاد شدن پیشنهاد‌ها و بمباران ذهن مصرف کنندگان با انتخاب‌ها و نظرات، فناوری توصیه به مصرف کنندگان این امکان را می‌دهد که گزینه‌ها را ارزیابی کنند و رتبه بندیشان را سیستماتیک‌تر (روشمند‌تر) کنند. پیشبینی برای سازندگان محصولات و محتوا به یک اندازه مفید خواهد بود. همانطور که یک شرکت محصولات مصرف کننده یک محصول جدید را بدون اینکه آزمایش کند، به مصرف کنندگان عرضه نمی‌کند، شرکت های ارائه محتوا هم بدون پیشبینی‌های سیستماتیک یا تست، محصولی را راه‌اندازی نمی‌کنند. پیشبینی هر چه زود‌تر در چرخه توسعه انجام شود، مفید‌تر خواهند بود.
تاریخچه فناوری های پیشبینی
ابزارهای پیشبینی و شکل دادن به آنچه که مصرف کنندگان می‌خواهند چند دهه است که وجود داشته اند. اما مانند بسیاری از فناوری های اطلاعاتی دیگر تا دهه ۹۰ کاربرد عملی گسترده پیدا نکردند.
جرج گالوپ در دهه های ۳۰ و ۴۰ سعی کرد که هالیوود را متقاعد کند که از ابزار نظرسنجی عمومی اش برای کشف سلیقه بینندگان استفاده کنند اما موفق نشد. دراوایل دهه چهل، دفتر تحقیقات اجتماعی کاربردی در دانشگاه کلمبیا (که قبلا به عنوان دفتر تحقیقات رادیو شناخته می‌شد) یک تحلیلگر برنامه های تلویزیونی ساخت، که واکنش های مثبت و منفی افراد به فیلم را در حین تماشای آن ثبت می‌کرد. یکی از اولین نمونه های نرم‌افزار پیشبینی موفقیت در صنعت فیلم، ERIS، در دهه ۷۰ ساخته شد. با این حال، فیلمنامه نویس ویلیام گلدمن معروف در کتاب «ماجراهای تجارت در صفحه نمایش» در سال ۱۹۸۳ می‌گوید: «هیچ کس چیزی درباره عوامل مؤثر بر موفقیت تجاری یک فیلم نمی‌داند». با اینکه تولیدکنندگان و توزیع کنندگان چند گام در جهت استفاده از پیشبینی در صنعت فیلم برداشته اند، اما تکنولوژی توصیه در حوزه کالای مصرفی پیشرفت بیشتری داشته است.
تلاش برای تولید توصیه های مفید برای مصرف کنندگان در اواخر دهه ۹۰ و با پیشگامی شرکت آمازون در استفاده تجاری گسترده از پیشبینی با «فیلترینگ مشترک» به بار نشست. این نرم افزار با تجزیه و تحلیل تاریخچه انتخاب های قبلی مصرف کننده و ایجاد همبستگی با دیگر محصولاتی که ممکن است خوشش بیاید، به مصرف کننده آیتم‌های خاصی توصیه و پیشنهاد می‌کند. همکاری در زمینه فیلترینگ می‌تواند در اشاره خریداران به سمت محصولاتی که از وجودشان خبر نداشته اند مفید باشد، اما محدودکننده نیز هست. به عنوان مثال روشی برای تشخیص فردی که کالایی را برای کس دیگری می‌خرد و علاقه ای به محصولات مرتبط به آن ندارد نیست.
اخیرا شرکت نت فلیکس توزیع کننده آنلاین فیلم در نوع دیگری از فیلترینگ مشترک موفقیت داشته است. نرم افزار این شرکت با ربط دادن بیش از یک میلیارد رتبه بندی مشتریانش در مورد فیلم، فیلم هایی را برای تماشا به شما توصیه می‌کند. یک مثال دیگر، ویژگی «پیشنهادات» دستگاه تیوو است که برنامه هایی را برای بینندگانش انتخاب می‌کند که بر اساس الگوهای مشاهده‌شان و رتبه‌بندیشان از برنامه های دیگر، پیشبینی می‌کند که آنها دوست دارند.
آمازون و نت فلیکس توزیع کنندگان اصلی محصولات فرهنگی هستند. سیستم توصیه آنها در واقع جزء فرعی و کمکی مدل اصلی کسب و کارشان است. اما در سال‌های اخیر شرکت هایی نیز پدید آمده اند که فقط کارشان پیشنهاد است و در این کار متخصص شده اند. شرکت چویس استریم نرم افزار توصیه ای برای سینما، تلویزیون، کتاب و کالاهای مصرفی ساخته است و مجوز نرم افزار خود را به توزیع کنندگان این محصولات می‌فروشد. شرکت مدیا پردیکت بازارهای جدیدی برای پیشبینی در حوزه سینما، کتاب، موسیقی و تلویزیون ایجاد کرده است. این شرکت با همکاری تاچاستون بوکز، که وابسته به سیمون و شوستر است، در سال ۲۰۰۷ از یک بازار پیشبینی استفاده کرد تا یک کتاب را بر اساس رتبه اش در بازارِ پیشبینی منتشر کند. کتابی که انتخاب شد، کارواش هالیوود، موفقیت تجاری متوسطی داشت. شرکت های اِکو نِست و پلاتینوم بلو موزیک اینتلیجنس برای توزیع کنندگان موسیقی آنلاین، قابلیت های توصیه فراهم می‌کنند.
با اینکه تکنولوژی های توصیه و پیشنهاد در ایالات متحده آغاز شد، امروزه در سراسر جهان گسترش یافته اند. یک شرکت اسپانیایی به نام آکوامدیا، برای موزیکی که از طریق شبکه های تلفن همراه به فروش می‌رود، نرم افزار توصیه می‌سازد. سیلور اگ تکنولوژی، یک شرکت ژاپنی، نرم افزاری ارائه کرده است که به خرده فروشان آنلاین ژاپنی کمک می‌کند تا محصولات را به مشتریان خود توصیه کنند.
در بین سازندگان و توزیع کنندگان محتوای فرهنگی، پیشبینی اینکه چه محصولاتی موفق خواهند بود کمتر رایج است. ساده‌ترین راه این است که پس از ساخت محصول، وقتی ویژگی های آن مشخص شد و شاخص های محبوبیت آن مشخص شد، این کار را بکنند. به عنوان مثال، یک شرکت توزیع فیلم و ویدئوی خانگی (عمدتا با استفاده از تجزیه و تحلیل رگرسیون) پیشبینی می‌کند که چند نسخه باید تولید کند، و معمولا پیشبینی شان نسبتا دقیق است. اما پیشبینی‌هایشان قبل از ساخت فیلم، اغلب کاملا اشتباه است.
با وجود مشکلات پیشبینی قبل از ساخت محصول، شرکت انگلیسی Epagogix بر اساس ویژگی‌ها و مشخصات فیلمنامه، موفقیت فیلم را پیشبینی می‌کند. به عنوان مثال، این شرکت پیشبینی کرد که فیلم محصول سال ۲۰۰۷ «خوش به حالت»، شکست خواهد خورد و فقط۷ میلیون دلار فروش خواهد کرد. این فیلم، که یک ستاره بزرگ (درو بریمور) در آن بازی می‌کرد، یک کارگردان معروف داشت و فیلمنامه اش جذاب بود، ۵۰ میلیون دلار هزینه ساخت داشت. اما حق با این شرکت بود، چون فیلم فقط ۶ میلیون دلار فروش داشت.
فواید سیستم های پیشبینی و توصیه
یکی از دلایلی که سیستم های توصیه و پیشنهاد اینقدر فراگیر شده اند، این است که امروزه مصرف کنندگان در «پارادوکس انتخاب» غرق شده اند، یعنی انتخاب های بسیاری وجود دارد و هیچ راه آسانی برای تمایز بین پیشنهادات مختلف وجود ندارد. تولیدکنندگان نیز با مشکل تعدد انتخاب‌ها روبرو هستند: آنها در دنیایی که پر از محصولات فرهنگی شده، نیاز به تصمیمات عاقلانه سرمایه گذاری دارند و به دنبال کاهش ریسک روزافزون ساخت و توزیع محصولات جدید هستند. امروزه قابلیت های پیشبینی و توصیه هم برای مصرف کنندگان و هم تولیدکنندگان، بسیار مهم است.
مشکل مصرف کنندگانی را که تلاش می‌کنند با این حجم زیاد محصولات فرهنگی همگام شوند در نظر بگیرید. آنها احتمالا با احساسات یکی از منتقدان نیویورک تایمز همراهند که گفته: «من هم مانند بسیاری از آمریکایی‌ها، از سرعت زندگی روزمره و حجم رسانه های همراه آن گیج شدهام». با این تعداد انتخاب و کمبود وقت، مصرف کنندگان برای تصمیم اینکه از کدام محصول بیشترین لذت را می‌برند نیاز به کمک دارند.
به عنوان مثال، در یک دوره ده ساله از سال ۱۹۹۴ تا سال ۲۰۰۴، تعداد عناوین کتب منتشر شده در ایالات متحده، بیش از ۵۰ درصد رشد داشته است. کشورهای دیگر نیز به رقم بی سابقه ای در انتشار کتاب رسیده اند. اما طبق گفته شرکت مطالعات صنعت کتاب، از ۳۰۰ هزار عنوان کتاب منتشر شده در ایالات متحده در سال ۲۰۰۴، کمتر از یک چهارم آنها موفق به فروش بیش از ۱۰۰ نسخه شده اند. با وجود این افزایش در تولید کتاب، نظرسنجی‌ها نشان می‌دهد که ساعت مطالعه آمریکایی‌ها هر سال کمتر می‌شود. استودیوهای فیلمسازی در سراسر جهان آنقدر فیلم می‌سازند، که بینندگان دیگر فرصت نمی‌کنند همه‌شان را ببینند. تعداد فیلمهای تولیدی هالیوود در سال ۲۰۰۶، ۶۰۷ بود، که نسبت به سال قبل از آن ۱۱ درصد افزایش داشت و رکورد ساخت فیلم در طول تاریخ سینما را در یک سال شکست. تعداد کل فیلم‌ها تقریبا دو برابر تعدادشان در سال ۱۹۹۰ شده، اما کسی نسبت به دهه پیش دو برابر زمان فراغت برای دو برابر فیلم دیدن ندارد. شرکت های تولید فیلم هندی حتی از هالیوود پرکارترند و هر سال بیش از ۱۰۰۰ فیلم جدید می‌سازند. کتاب و سینما فقط بخشی از حجم عظیم محصولات فرهنگی است، چون مخاطبان زیادی هم وقتشان را صرف تماشای تولیدات فرهنگی حرفه‌ای و آماتور از طریق لپ تاپ، تلفن همراه و یا PDA در سایت هایی مانند یوتیوب می‌کنند.
این روند افزایش تولید در زمانی صورت می‌گیرد که هزینه ساخت و تولید محصولات فرهنگی بالا رفته است. به ویژه استودیوهای فیلمسازی نیاز به بودجه های زیاد دارند. به گفته انجمن تصاویر متحرک آمریکا، مجموع هزینه متوسط ساخت و بازاریابی یک فیلم در سال ۲۰۰۶، ۳ هزار و ۱۰۰ میلیون دلار بوده است. و بسیاری از فیلم‌ها از نظر تجاری موفق نبودند، اقتصاددانی تخمین می‌زند که در طول دهه گذشته فقط ۶ درصد از فیلم‌ها ۸۰ درصد از سود صنعت را به خود اختصاص دادهاند، ۷۸ درصد از فیلم‌ها در این دهه ضرر کردهاند. طبق گزارشی از صنعت سینما، از ۱۳۲ فیلمی که استودیوهای عمده فیلمسازی در سال ۲۰۰۶ ساختند، ۱. ۹ میلیارد دلار بعد از چرخه پنج ساله‌شان، یعنی پخش سینمایی، فروش دی‌وی‌دی، پخش تلویزیونی و دیگر منابع درآمد ضرر کردند. تولید زیاد و ضرر مالی نیاز به پیشبینی و توصیه را بیشتر می‌کند. تولیدکنندگان باید محصولاتی را بسازند که احتمال موفقیتشان بیشتر است.
تکنولوژی، عامل اصلی پیشبینی
دلیل اصلی اینکه چرا امروزه پیشبینی و توصیه اینقدر مهم شده اند، این است که درک آنها از نقطه نظر فنی آسان‌تر شده است. می‌توان در کانال های توزیع نسبتا جدید، از جمله اینترنت برای فیلم و کتاب، و تلفن های همراه برای موسیقی، نرم افزارهایی نصب و تعبیه کرد که قابلیت توصیه محصولات مرتبط را در فرایند توزیع ارائه کنند. یک مزیت این کانال‌ها این است که اطلاعات دقیقی در مورد رفتار و ترجیح‌های مشتری تولید می‌کنند. البته، با اینکه این کانال‌ها می‌توانند اطلاعات زیادی در مورد محصولات به مشتری بدهند، معمولا مصرف کنندگان، پهنای باند و وقت کافی ندارند که انتخاب های واقعا مؤثری داشته باشند و هر چه دریچه نمایش اطلاعات به مشتریان کوچک‌تر باشد، (مثلا، صفحه نمایش تلفن همراه) کمک به مشتری برای انتخاب مهم‌تر و لازم‌تر می‌شود، چون میزان اطلاعاتی که می‌شود نمایش داد محدود است.
بهترین دلیل برای استفاده از توصیه این است که در عمل خیلی خوب جواب داده اند. (حداقل در حوزه کالای مصرف کننده برای قضاوت اثربخشی این روش در مورد صنایع خلاقانه هنوز زود است) به عنوان مثال، نت فلیکس دریافت که مشتریانش توصیه های او را ۱۰ درصد بهتر از انتخاب های خودشان قبول دارند. ۰۲ PLC، یک شبکه اپراتور تلفن همراه انگلیسی دریافت که ۹۷ درصد از مشتریانش تصمیم گرفتند از سرویسی استفاده کنند که منطبق با سلیقه‌شان، برایشان محتوای تلفن همراه پیشبینی و ارائه کند. بورس هالیوود شرط بندی مجازی با چند صد هزار شرکت کننده دارد که فلان هنرپیشه، فیلم، ستارگان، کارگردان موفق خواهد شد یا شکست خواهد خورد. تعداد زیاد شرط‌ها می‌تواند پیشبینی موفقیت یک فیلم، و تعداد کم شرط نشانه شکست آن باشد. یک مطالعه نشان داده که این سرویس کاملا دقیق و قابل مقایسه با پیش بینی های بهترین متخصص است.
چند شرکت همچنین دریافتند که توصیه‌هایشان به فروش بیشتر محصولاتشان کمک می‌کند. آکوامدیا دریافت که وقتی مصرف کنندگانش از توصیه های موسیقی اش استفاده کردند، درآمدش از مشتریان شبکه تلفن همراهش بین ۱۵ تا ۲۰ درصد افزایش یافت. شرکت سیلور اِگ بعد از اینکه سیستم توصیه به مشتریانش برای خریدهای رسانه ای شان را راه انداخت، رشد درآمد دو رقمی داشته است. شرکت بلاک باستر از زمانی که موتور توصیه شرکت چویس استریم را به کار گرفته، کاهش مشتری ماهانه کمتری پیدا کرده است. سایت Overstock. com از یک سرویس انتخاب هدیه شرکت چویس استریم در وب سایتش برای تعطیلات سال ۲۰۰۶، استفاده کرد و این فناوری برایش ۲۵۰ درصد رشد درآمد به همراه داشت. اُور استاک نیز متوجه شد که در ۱۸ ماه اول پس از راه‌اندازی یک سیستم جدید هدف گیری شده ایمیل، درآمد بازاریابی ایمیل دو برابر شده و سفارشات ۵. ۹ درصد افزایش یافته است.
طیفی از تکنیک‌ها و فناوری
مدیرانی که می‌خواهند تکنولوژی های پیشبینی را به کسب وکارشان اضافه کنند، اول باید انواع مختلف روش های حال حاضر این حوزه را بشناسند. نسل اول این فناوری، یعنی فیلترینگ مشترک، فقط ارتباط یک آیتم را به یک آیتم دیگر یا یک مشتری را به مشتری دیگر ربط می‌داد. امروز هم، نه تنها آمازون و نت فلیکس، بلکه شرکت‌هایی مانند لایو وایر موبایل که شرکتی است که توصیه های موسیقی برای خریداران فراهم می‌آورد، و برای بیش از ۲۰ اپراتور بی‌سیم در سراسر جهان، انتخابهای موسیقی عرضه می‌کند، از این روش استفاده می‌کنند.
یک رویکرد نسبتا جدید به توصیه، تمرکز بر ویژگی های یک آیتم است، به عنوان مثال، یک فیلم را برحسب طولش، ژانرش، موضوعش، لحنش، رتبه بندی منتقدان و غیره طبقه بندی می‌کنند. با تجزیه و تحلیل فیلمهایی که یک مشتری دوست دارد، می‌توان فیلمهای دیگری با ویژگیهای مشابه به او توصیه کرد. چویساستریم از چنین روشی هم در سینما و هم خرید آنلاین استفاده می‌کند. پاندورا که یک ایستگاه رادیویی آنلاین است، (با استفاده از طبقه بندی که کارکنانش برای انواع مختلف موسیقی ایجاد کرده اند) و نرم افزار توصیه موسیقی شرکت اکو نست، (با استفاده از تجزیه و تحلیل کامپیوتری صدا و همچنین تجزیه و تحلیل متنی از محتوای آنلاین در مورد موسیقی) هزاران آهنگ را بر حسب ویژگی های کلیدیشان، از جمله سرعت، زمان و ابزار موسیقی موجود در هر آهنگ طبقه‌بندی کرده اند.
دیگر رویکردهای ممکن پیش بینی بازارهایی مانند بازار بورس هالیوود یا بازار مدیا پردیکت است. پلاتینوم بلو موزیک اینتلیجنس از تجزیه و تحلیل طیفی امواج صوتی استفاده می‌کند تا آهنگ هایی را که یک شنونده خاص دوست دارد تشخیص دهد. شرکت Epagogix از یک سیستم خبره و الگوریتمهای شبکه عصبی استفاده می‌کند تا موفقیت یک فیلم را قبل از ساختش پیشبینی کند و بسیاری از استودیو‌ها از تجزیه و تحلیل رگرسیون برای پیشبینی موفقیت یک فیلم قبل از پخشش بهره می‌برند.
برخی از شرکت‌ها شروع به استفاده از شبکه های اجتماعی به عنوان ابزاری برای توصیه محصولات فرهنگی کرده اند. اگر دوستانتان آهنگ و فیلم خاصی را دوست دارند، به احتمال زیاد شما هم از همان آهنگ‌ها و فیلم‌ها خوشتان می‌آید. و اگر شما و یک غریبه آهنگ و فیلم مشابهی را دوست دارید، احتمالا باید با هم دوست شوید. شرکت لایو وایر موبایل و Last. fm Ltd در پیشنهادهای موسیقیشان شبکه های اجتماعی را گنجانده اند و نت فلیکس با سرویس «دوستان» به مشتریانش این امکان را می‌دهد تا ترجیحات و سلیقه سینمایی خود را با دیگران به اشتراک بگذارند.
هر یک از رویکردهای پیشبینی و پیشنهاد نقاط قوت و ضعف خاص خود را در عمل دارد. به عنوان مثال، فیلترینگ مشارکتی، نیاز به مقدار قابل توجهی از داده در مورد خریدهای گذشته مشتری دارد تا بتواند خوب کار کند. حتی با وجود اطلاعات کافی، برخی از کار‌شناسان بر این باورند که فیلترینگ مشترک تنوع خرید را کاهش می‌دهد و فیلمهای پرفروش را از آنچه هستند هم پرفروش‌تر می‌کند. شبکه های عصبی نیز نیاز به مقدار زیادی داده دارند. در سیستمهای توصیه ای که بر اساس ویژگیهای محصول کار می‌کنند، لازم است که کسی بنشیند و محصولات فرهنگی را بر اساس چند مشخصه کلیدی طبقه بندی کند. اگر از قبل یک فهرست از ویژگیهای محصول موجود نباشد، ایجاد چنین فهرستی می‌تواند دشوار باشد. بازارهای پیشبینی نیاز به تعداد زیادی از شرکت کنندگان مستقل دارند، اغلب شرکت های پیشبینی برای جذب شرکت کنندگان نوعی جایزه و یا پاداش به آنها می‌دهند. البته، اگر شرکتی همه منابع لازم برای ارائه پیشبینی یا توصیه برای محصول شما را تهیه دیده است، شما لازم نیست نگران باشید. تنها کاری که باید انجام دهید این است که پول بدهید و خدماتشان را بخرید.
یک ابزار پیشنهاد خوب در دو سطح به صورت متعادل عمل می‌کند: از یک طرف با احساس فردیت مصرف کنندگان و از طرف دیگر با احساس وابستگیشان به گروه رابطه برقرار می‌کند. به همین ترتیب، این ابزار‌ها باید توصیه هایی بکنند که افق پیشنهاد‌ها را توسعه دهد و توصیه‌هایش جدید و کمی تعجب آور، در عین حال مرتبط باشد. روش های توصیه در اینکه چقدر آیتم های دمدست یا چقدر محصولات جدید و ناشناخته را معرفی می‌کنند با هم تفاوت دارند. اکثر موتورهای توصیه ترکیبی از آیتم های آشنا و ناشناخته را ارائه می‌کنند.
برای مثال در لایو وایر موبایل، مشتریان هم به دنبال آهنگ هایی مشابه آهنگ های قابل اعتماد و شناخته شدهای که دوست دارند هستند، هم دنبال آهنگ هایی از دیگر نقاط دنیا و از سبکهای متفاوت هستند که ذوقشان را به چالش می‌کشد و گسترش می‌دهد. اما مدل کسب وکار لایو وایر، مدل پرداخت به ازای هر آهنگ است که باعث می‌شود مشتریانش تا حدی محافظه کارانه‌تر از یک مدل اشتراک عمل کنند. درس این نکته برای مدیران این است که اگر مردم محصولتان را یکی یکی می‌خرند، سیستم توصیه محافظه کارانه را انتخاب کنید و اگر آنقدر دوستتان دارند که به شما هزینه ماهیانه می‌دهند، احتمالا از موتور توصیه ای که آیتم های جدید و شگفتی آور عرضه می‌کند خوششان خواهد آمد.
در نهایت، به دلیل اینکه بازار محصولات فرهنگی به مرور زمان تغییر می‌کند، بسیار مهم است که به طور مداوم شرایط متغیر بازار پایش و نظارت شوند تا روندهای در حال ظهور شناسایی شوند. مدیریت مدل برای بهبود و توسعه الگوریتمهای توصیهای که درس های تجربه گذشته را در خود منعکس کنند، فرضیات را آزمایش کنند و دقت پیشبینی را بهبود دهند، ضروری است. برای مثال، نت فلیکس بسیاری از روش های توصیهاش را توسط مشتریانی توسعه داد که پیشگامان اینترنت بودند، اکنون با اینکه همان روش‌ها در نسلهای بعدی هم جواب می‌دهد، تحلیلگران این شرکت نیاز به توسعه تست‌ها و الگوریتمهای جدید را درک کردهاند.
آخرین پیشرفت‌ها در این حوزه، تلاش برای شناسایی الگوهای تمایلات ذاتی بینندگان و شنوندگان است. دانشمندان نکات زیادی را در مورد روابط ریاضی پنهان در موسیقی و اینکه چگونه این روابط میل به شنیدن آهنگ خاصی را برمی انگیزند آموخته اند، حالتی که به آن «کرم گوش» و یا «خارش‌شناختی» می‌گویند. پلاتینوم بلو میوزیک اینتلیجنس از این پژوهش برای تجزیه و تحلیل یک ترانه استفاده کرد و توصیه هایی، مثلا زیاد کردن باس آهنگ، برای پرفروش شدن این آهنگ ارائه کرد. برای مثال، مدیرعامل این شرکت، مایک مک کریدی هدف شرکتش را «کمک به هنرمندان و تولیدکنندگان با توضیح عواملی که احتمال پخش موفقشان را زیاد می‌کند» اعلام کرد.
تجزیه و تحلیل این شرکت منجر به ایجاد ۶۰ دسته بندی مجزا شد، که در هر برهه خاص از تاریخ چند تای آنها فعال هستند. یک آهنگ شوپن ممکن است در همان گروهی باشد که آهنگهای فرانک سیناترا، جنسیس و زسزی تاپ. این شرکت با استفاده از تجزیه و تحلیل طیفی امواج صدا به عنوان ابزاری برای کمک به هنرمندان و تولیدکنندگان، توصیه های فنی ارائه می‌کند، به عنوان مثال، از این ابزار برای تجزیه و تحلیل آهنگ «دیوانه» بارکلی استفاده کردند. تحلیل نشان داد که آهنگ دیوانه به دسته آهنگ های پرفروشی مانند ماریا کری نزدیک است. این داده‌ها پیشبینی کرد که این آهنگ موفقیت زیادی کسب خواهد کرد و اینگونه هم شد.
فناوری‌های جدیدی هم برای تجزیه و تحلیل و پیش بینی سلیقه مصرف کننده در حال پیدایش و تکامل هستد. یک مرکزتحقیقاتی شروع به استفاده از رویکردهای زیست‌شناختی برای بررسی تعامل مصرف کنندگان در برابر تبلیغات و تلویزیون کرده است. این شرکت شاخص های بیولوژیکی تعامل ذهنی، مانند ضربان قلب و پاسخ گالوانیکی پوست را اندازه گیری می‌کند. ناسا یک شاخص بهتر برای توجه انسان با استفاده از امواج مغز ابداع کرده است، اما تا کنون از این فناوری استفاده تجاری گسترده نشده است. به محض اینکه مشخص شود که با استفاده از این ابزار ارزیابی بیولوژیکی، می‌توان درامد ساخت، کاربردشان، علیرغم ملاحظات اخلاقی، گسترش خواهد یافت.
پیشبینی و فرایند خلاقانه
در اغلب مواردی که ما مطالعه کردیم، سیستم توصیه پس از ساخت محصول فرهنگی به مشتری در انتخاب کالاهای ساخته و تمام شده کمک می‌کند. استودیوهای فیلمسازی از همین رویکرد برای تصمیم اینکه چند دی وی دی باید تولید و توزیع کنند استفاده می‌کنند. همچنین می‌توان از محتوای توصیه حتی قبل و در حین ایجاد محصول نیز بهره برد.
این رویکرد توصیه قبل از تولید، در صنعت فیلمسازی که چرخه های تولید طولانی و هزینه های تولید بالایی دارد، کاربرد زیادی دارد.
تولید کنندگان فیلم از مدت‌ها قبل قواعد سرانگشتی برای تصمیم گیریهای فیلمسازی خود داشتند: ستاره‌ها بیننده جذب می‌کنند، مخاطبان پایان خوش فیلم را دوست دارند، فیلم های بالای ۱۳ سال پولساز هستند و غیره. مدیران دو استودیو به ما گفتند که با اینکه این قوانین استثناهای زیاد و معروفی دارند، همه در استودیویشان به این اصول معتقدند. مدیران مالی بسیاری از استودیو‌ها، هم قبل از پخش فیلم و هم بعد از آن، پیشبینی می‌کنند که یک فیلم خاص چقدر می‌فروشد. اما از درصد بالای فیلم های ناموفق مشخص است که فرایند تصمیم گیری تا حد زیادی غیرعلمی است. یک دلیل این است که هر استودیو فقط چند فیلم تولید می‌کند و اطلاعات زیادی در اختیار ندارد. به عنوان مثال، مدیر یکی از استودیوهای فیلمسازی به ما گفت که چون استودیو به طور متوسط فقط هشت فیلم در سال تولید می‌کند، نمی‌توان یک رویکرد آماری به پیشبینی موفقیت و شکست داشت.
با این حال، اکنون روشهای علمی وجود دارد که به فیلمسازان قبل از اینکه فیلمشان را بسازند کمک می‌کند. شرکت Epagogix،
به طور خاص روی پیشبینی احتمال موفقیت یک فیلمنامه قبل از اینکه تولیدش شروع شود تمرکز کرده است. نرم‌افزار تجزیه و تحلیل شبکه های عصبی این شرکت، آن دسته از ویژگی های فیلمنامه را که به موفقیت یا شکست آن ربط دارند شناسایی می‌کند. این امکان، چشمانداز جذابی را برای استودیو‌ها فراهم می‌کند و از نظر فنی هم امکان‌پذیر است.
شرکت Epagogix فقط با استفاده از این شاخص ساده که آیا فیلم هزینههای تولیدش را جبران می‌کند یا خیر، با دقتی دو برابر استودیو‌ها، قادر به پیشبینی این است که یک فیلم «بوقلمون» خواهد شد یا «عقاب». همچنین می‌تواند توصیه‌های خاصی کند که پیشبینی می‌کند با این توصیه‌ها فروش زیاد خواهد شد. این نرم افزار برای یک فیلم توصیه کرد که تعداد لوکیشن‌هایش کم شود، تصمیمی که هزینه های تولید را کاهش داد. با این وجود، برخی از مدیران استودیوهای فیلمسازی هیچ علاقه ای به اینکه فرایند تصمیم گیری خود را از هنر به علم تبدیل کنند نشان ندادند. به نظر می‌رسد موانع بیشتر فرهنگی باشد تا تحلیلی و یا فناوری. Epagogix از ابزار پیشبینیاش در حوزه های دیگری که در آن پیشبینی کاربرد دارد، از جمله در کسب و کار و مثلا برای اخذ بهترین تصمیم در مورد صرف سرمایه های ریسک و مدیریت بودجه های عملیاتی.
مقاومت در برابر ورود علم سابقه طولانی در هالیوود دارد. در سال ۱۹۴۱ لئو روستن، استاد دانشگاه در حوزه نمایشنامه نویسی و طنزنویس گفت: «فیلمساز با حدس و گمان کار می‌کند نه با منطق. آنها با احساسات تجارت می‌کنند تا با تحلیل. طبیعی است که آنها سیستماتیک نباشند و بیشتر شهودی باشند، چون در یکی متخصصند و در دیگری هیچ تجربه ای ندارند. مدیر مالی یک استودیوی بزرگ فیلمسازی در مصاحب های تأیید کرد که تا کنون مدل های پیشبینی نتوانسته اند در تصمیم گیریهای فیلمسازیِ مدیران نقش داشته باشند، هر چند امیدوار بود که در آینده بیشتر از آنها استفاده شود.
خطرات و فرصت های مدل کسب و کار
کسانی که می‌خواهند پیشبینی و یا توصیه محصولات فرهنگی را در کسب و کار خود بگنجانند، باید چند مسئله مدیریتی را در نظر بگیرند. اولی، مدل کسب و کاری است که اتخاذ می‌کنند. آیا در این مدل، پیشبینی تنها راه پول درآوردن است، و یا باید پیشبینی در کنار مدل کسب و کاری قرار بگیرد که از روشهای دیگر نیز پول می‌سازد؟
بسیاری از شرکت‌های مورد مطالعه ما، از جمله اپل، نت فلیکس، لایو وایر موبایل و آمازون، عمدتا درآمدشان را از توزیع محصولات فرهنگی کسب می‌کنند، و نه توصیه محصولات. توصیه یک مکمل کوچک در کنار کسب وکار توزیع آن‌هاست. و اگر مدل توزیع دچار مشکل شود (همانطور که در مورد پاندورا، که پرداخت حق امتیاز به شرکت های ضبط و پخش موسیقی آنلاین تقریبا شرکت را تعطیل کرد) توصیه به تنهایی نمی‌تواند موجب رشد یک سازمان شود. وقتی ما به رید هیستینگز، مدیرعامل شرکت نت فلیکس پیشنهاد کردیم که می‌توان قابلیت های توصیه شرکت را به دیگر توزیع‌کنندگان فیلم آنلاین یا مخابراتی فروخت، او پاسخ داد که سیستم توصیه به تنهایی ارزش زیادی برای توزیع‌کنندگان آنلاین ندارد.
در بین شرکت هایی که ما مطالعه کردیم، شرکت هایی که فقط قابلیت های توصیه یا پیشبینی را ارئه کنند، نسبتا کم بودند. چنین شرکت هایی برای بقا و رشد باید قابلیت های توصیه‌شان را به طیف گستردهای از صنایع توسعه دهند. به عنوان مثال، چویساستریم در حال حاضر نه تنها برای فیلم و خرده‌فروشی آنلاین، بلکه برای کتاب (از طریق Boarders. com)، لیست های تلویزیونی و موسیقی نیز توصیه ارائه می‌دهد. این شرکت در نظر دارد از تکنولوژی پیشبینی خود برای تبلیغات آنلاین هدفدار استفاده کند، و شرکت اُوراستاک در حال حاضر از این فناوری به همین منظور بهره می‌برد. شرکت توصیه ATG Recommendations، که یک شرکت جدید در کسب وکار موتور توصیه است، مشتریانی دارد که از ابزار‌هایش برای فروش اغذیه، تیشرت و نرم افزار در اینترنت استفاده می‌کنند. بورس هالیوود مدل و ابزارهای لازم برای بازارهای آنلاین را به مجله «پاپیولار ساینس» در زمینه ذخیره‌سازی داده‌ها، توسعه دارو در صنایع دارویی و پیشبینی ارائه کرده است. ارائه‌دهندگان نرم‌افزار توصیه می‌گویند که رویکرد آنها به سرعت یک پایگاه از داده های ترجیح‌ها و سلایق مصرف‌کننده می‌سازد، که به اعتقاد آنها، به طور بالقوه برای تولیدکنندگان محصولات و خدماتی که آنها توصیه می‌کنند با ارزش است. اما برخی از از این شرکت‌های کوچک پیشبینی نیز موفق نبوده اند.
نیاز به بروزرسانی و تصحیح مستمر نیز یکی دیگر از مسائل مدیریتی است. نت فلیکس به تحلیلگرانی که بتوانند مدلش را بهبود دهند جایزه می‌دهد: ۱ میلیون دلار به کسی که بتواند دقت الگوریتم پیشبینی آنها را ۱۰ درصد بالا ببرد. آمازون در حال بهبود مدل فیلترینگ مشترک‌اش است. شرکت های توصیه مبتنی بر ویژگی مثل چویس استریم، نه تنها باید مدل تحلیل خود، بلکه ابزار جمع آوری ویژگی‌ها را بهبود دهند و اقتصادی کنند. و شرکت هایی مانند اکو نِست که تنها کارشان موتور توصیه است، باید از طریق شراکت، تبلیغات آنلاین و دیگر راه‌ها کسب و کارشان را به سوددهی برسانند.
در نهایت، علیرغم وعده و وعید سیستم های پیشبینی و توصیه، نکته مهم این است که مدیران در این زمینه هیچ کار افراطی نکنند. این سیستم‌ها به هیچ وجه نمی‌توانند جایگزین تصمیم گیری شوند. استفاده از این ابزار‌ها نیاز به قضاوت درست کسب و کار و ذوق فرهنگی را حذف نمی‌کنند. همانگونه که مدیر یک استودیوی فیلمسازی گفته با سیستم توصیه مشتریان این احساس را دارند که چیزی به آنها تحمیل می‌شود. حتی ویل اسمیت هم در انتخاب فیلمنامه‌هایش فقط به تحلیل خودش تکیه نمی‌کند، با خانواده و دوستانش نیز مشورت می‌کند و ورودی می‌گیرد. ساخت محصولات فرهنگی موفق همواره ترکیبی از علم و هنر باقی خواهد ماند. اما نسبت علم در این ترکیب رو به افزایش است. به احتمال زیاد همان روش های علم محوری که در پیشبینی موفقیت و توصیه برای محصولات فرهنگی کاربرد دارد، نه تنها صنعت محصولات فرهنگی را متحول خواهد کرد، بلکه هر صنعت دیگری را نیز که در آن ساخت محصولات جدید پرهزینه و ریسکدار است و مشتریانش وقت و توجه لازم را برای انتخاب از بین طیف زیاد محصولات ندارند، متحول خواهد کرد.
منبع: MIT Sloan Management Review