京公网安备 11010802034615号
经营许可证编号:京B2-20210330
浅析大数据背景下电视节目的革新
随着互联网、云计算等相关科技的迅猛发展,大数据的运用已渗透到社会的方方面面。本文通过
分析大数据在《女神的新衣》这一综艺节目中的运用,指出了此节目的创新之处,并且引出了在大数据背景下,电视节目未来的革新方向——制作前的数据分析、播出中的动态调整、推广时的精确剪辑以及播出后的全面评价。
一、大数据
大数据指大数据技术及其应用,旨在从各种各样的数据中,快速获得有价值信息的能力。其特征被概括为4V,价值(value)、快速处理(velocity)、大量化(volume)、多样化(variety),即意味着数据的大容量、类型多样、对数据的实时处理,以提取到价值。
随着数字化媒体、数字设备的发展与普及,人们在生产生活中产生的数据量已经达到了海量级别。而数据是在人类生产生活中产生的,必然蕴含着不同人的行为方式、习惯、偏好等,大数据的战略意义不在于掌握庞大的数据信息,而在于对这些含有意义的数据进行专业化处理,分析与把握大数据,对于指导人类的生活实践有着深远的意义。
在这些大数据中,有两类数据引(数据分析师培训)人注意,一类是企业与企业、消费者之间的“大交易数据”,一类是来自互联网、社区网企业服务网的“大交互数据”。
在我国,中国联通、搜狐、京东等在自己熟悉的行业内实践并推动着大数据的应用实践。中国市值最大的三大互联网公司阿里巴巴、腾讯、百度等基于其海量的用户信息,拥有大量高质量数据积累及数据处理能力,其中阿里巴巴拥有着最大的网络交易数据。而此次阿里巴巴与东方卫视合作的综艺节目《女神的新衣》,便显现出了天猫大数据的魅力,其对节目的影响是方方面面的。
二、大数据在《女神的新衣》中的运用
2014年8月23日起,《女神的新衣》在每周六晚东方卫视的21:15强档播出。第二季于2015年8月8日播出。它主要由24小时制衣,T台秀,竞拍,排名这四个环节构成。它与天猫合作,开创了一种即播即买模式。
微博电视指数显示,该节目首播即成功上榜并位列全国第二,在独家视频合作媒体优酷土豆平台,24小时点击量突破600万,位列全网第一,10月25日第一季十期全部结束。
它采用全新的T2O(TV to Online)模式,由六位女神同自己的设计师合作,在24小时内设计出符合设计主题的时装,T台走秀,接着由四位品牌买手进行三轮的竞拍,获得此服装的“版权”,与此同时服装上线天猫网店,公布售价,无缝对接让网友体验真正的“女神同款”。每两期,通过竞拍价,观众评分及导师评分淘汰一支“女神团队”。
纵观节目,其中大数据思维体现在多个环节之中:
1.服装设计过程中的大数据
在第三期节目中,女神尚雯婕专门查看天猫上的消费数据,从而了解什么颜色、款式、布料是当前消费者最喜欢的。
来自韩国的林珍娜也从 “明星衣橱”APP那里,得到了4000万时尚社区用户沉淀两年多的大数据支持:从款式到搭配,从观赏性到实穿性,精准到内衣的颜色、袜子的选料等都有分析,这些数据帮助她迅速的把握了消费者的偏好。第三期林珍娜同款服装在天猫销量半小时内过百。
2.导师评价中的大数据
在节目过程中,其时尚导师也会在点评中穿插各种天猫大数据。如其第一期中,时尚导师天猫市场总监应宏在点评过程中多次运用了天猫大数据。在点评张馨予的服装时,他说道“在天猫上搜张馨予同款的最多的省份是黑龙江,而且喜欢她的粉丝的核心的星座是巨蟹座”。同样,在点评叶璇的套装时,说道“看天猫大数据显示,时尚套装这个词已经排到了前三位,它的年龄层次也非常清晰,是25岁到29岁的目标消费群,最爱买时尚套装的是爱吃零食的射手座女生。”
3.播出中及播出后的大数据
从播出的前三期来看,在栏目开播20分钟后,百度与天猫的搜索指数同步上升。伊芙丽的买手提到,其旗舰店方访客较之前增长100%,成交额增长50%。
对传统的综艺节目的评价指标依旧是靠收视率、视频点击率、社交媒体的关注度、讨论度等。而《女神的新衣》却有了一种新的直观的方式——天猫的流量、收藏量、销量。
阿里巴巴拥有海量的用户基数、海量的互联网交易数据,其天猫大数据也应用在节目制作的多个环节中。设计服装前根据设计主题,搜索消费者对颜色、款式的偏好,迎合消费者的需要。点评环节中,时尚导师根据女神及其设计师设计的服装款式,结合相应的天猫大数据,来对其点评,有时甚至会给出相应的营销策略。
《女神的新衣》除了收视率、社交媒体关注度等之外,还直接用赤裸裸的流量、销量、爆款来完成商业价值的认证。
三、大数据下电视节目的革新
与《纸牌屋》不同,《女神的新衣》虽然也运用了大数据,但其只是运用了天猫的互联网交易数,它更多的是监测用户转换为消费者后的天猫流量、收藏量、销量等。虽说这只是大数据在综艺节目的简单浅显的运用,是国内大数据涉足电视节目制作的一次试水,但其对以后综艺节目、电视节目的制作也指出了一条新的道路。
将这种与大数据结合的思维拓展开来,这种模式可推广到电视剧、综艺节目的制作当中,大数据可以运用在电视节目的方方面面中。
据麦肯锡全球研究所的调查数据显示,美国17个行业所拥有的数据总量排名中,传媒业占据第三位,仅次于离散式制造业和美国政府。在大数据位居前列的传媒产业,在大数据时代具有先天优势。
1.制作前的数据分析
大数据基于其海量的数据,可以形成一种全面立体的视角。系统的分析这些繁杂的数据,可以更加精准全面的把握市场状况,在策划阶段就可以分析收视群的偏好,制作能够满足观众需求的电视节目,从源头上便改变了电视节目走向。
通过大数据,分析收视群的年龄、性别、地理位置、兴趣、消费习惯等,挖出数据背后收视群的偏好,如《纸牌屋》的制作,Netflix数据库包含3000万用户的收视选择、400万条评论、300万次主题搜索,是名副其实的“大数据”。这些大数据背后隐藏着观众依旧热爱二十年前的剧《纸牌屋》,而且这些观众也几乎和网站上大卫芬奇、凯文史派西的粉丝圈重合。于是这部由大卫芬奇导演、凯文史派西主演的《纸牌屋》在源头上便把握住了观众的喜好,其热播也就不难理解。
借助大数据,可以捕捉到观众对哪些题材、内容更感兴趣。一个鲜明的例子是网络点击量高的文学作品,在其改编成影视剧后,收视率和票房通常也较高,如频频出现在热门微博的《盗墓笔记》《何以笙箫默》等电视剧的信息。今年亲子类综艺节目的扎堆,与去年热播的《爸爸去哪儿》有很大的关系,其超高的收视率、视频点击率、社交媒体上的热议等这些大数据,使得制作商把握了观众对亲子类节目的偏爱。虽然大数据技术不可能一下覆盖整个电视产业,但告别传统的闭门造车,转变思维,从源头上把握观众的喜好,以大数据为主要参考依据的制作方式,将很快成为中国影视产业发展的主要趋势。
2.播出中的动态调整
大数据时代,电视节目的播出将实现数据化,这使得测量得以实现,这也将对电视节目在播出过程中产生影响。
互联网时代电视、综艺节目层出不穷,一档电视节目想要获得观众持续的关注很难,老牌综艺节目《快乐大本营》早已出现疲态之势,因为播出的节目是相对静态的,而观众的需求则是动态的。
比较成功的是《中国好声音》衍生出来的姐妹档节目《酷我真声音》,它根据百度搜索、社交媒体的数据来挖掘关注度高的学员,这些学员的背景、绯闻等都在网上引发了大量的争议。《酷我真声音》让这些焦点学员在访谈中直接向观众解答他们的疑问,这档节目满足了观众的好奇,并紧随着《中国好声音》登陆浙江卫视。
传统的电视节目早已定型,而大数据出现之后,便可随时监测社交网站、论坛上观众的反馈。制作商可以依据观众的反馈来对节目做出及时调整。如现在很多美剧、韩剧会依据观众的评价,及时改变剧情发展,迎合观众口味。
这样,大数据也使得观众产生了比以前更强的代入感,观众发表的意见会被迅速采纳并反映在节目之中。这种良好的互动体验可以提高节目粘性和收视忠诚度。
3.推广时的精确剪辑
节目播出后,大数据也可以为推广时的剪辑提供依据。以往的节目播出之后,只有收视率、点击量等可以反映节目的人气,而大数据可以监测出受众的收视行为,如制作《纸牌屋》的Netflix便通过大数据分析其3600万用户的操作行为,包括用户在何时暂停、回放、快进、停止等,甚至是哪些用户在节目结束演职员表开始滚动时就关了节目,每天用户在Netflix上将产生高达3000多万个行为。
通过监测哪一部分重播次数最多、哪些部分会暂停、快进等收视行为,可以为剪辑节目的宣传片提供依据,这样能更好的把握住节目中受观众喜爱的热点,更有针对性的剪辑宣传片,以此来达到更好的宣传效果。
4.播出后的全面评价
传统电视节目的评价体系多为收视率、视频点击率、社交媒体热度等,收视率是基于抽样而得的数据,其真实性、全面性本身就是个问题。而大数据背景下,将会有更为多样的评价体系。如前面提到的用户行为大数据与观众的评论等相结合,便可形成一个新的评价指标。而 《女神的新衣》中,天猫的流量、收藏量、销量也是反应其收视情况的重要依据。
《女神的新衣》迈出了大数据在中国电视节目中运用的一小步,未来,大数据将越来越多的运用到电视节目的各个环节中,随之而来的必然是节目生产、播出、推广及评价方式的变革。数据分析师认证
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16