
大数据:谁是演艺圈的“关系户“_数据分析师考试
演艺圈常常登上各大媒体的头条,也是人们茶余饭后的的主要谈资。艺人花边八卦各领一时风骚,有些艺人不惜一切代价炒作人造新闻等等,或为了进入演艺圈,或为了保持领主地位,目的如此等等不一而足。无论是艺人还是观众可能对演艺圈的结构都是盲人摸象,很少有人说的明白。
演艺没有圈?
在很多人眼里(包括演员自己)演艺圈其实不是一个圈,更像是一条区分线,原因是人们很少将艺人之间的关系联系起来,而是简单的根据职业化了一条“演艺界限“,2010-2015年中国电影艺人的合作关系能够非常完整的将演艺圈刻画出来,在这段时间近5000名影视演员进行了10000多人次的合作。演艺圈的合作网络密度不足0.001,可能这个数字很多人无感,但是在现实世界的交际网络关系中能够发现的最大密度为0.5,没落的人人网地社交网络密度平均不足0.03,可见演艺圈的合作网络密度多么低下。因此反映出演艺圈的合作比较松散,当然演艺圈有它固有的性质决定了圈子的密度,这些性质致使大部分演员被隔离在圈子的外层,令人忧伤的是很多演员演了戏,炒了花边,却始终没有走进演艺圈。
构建和进入一个圈子除了要增加自己的粉丝等自身权重以外,还要找到合适的中介人,多数演艺人员更注重前者,二者实则相辅相成。毕竟人以群分,古训镗镗言犹在耳,但很多人忙于花边轰炸,却无论如何也无法向圈内前进一步,最终只点缀了演艺圈的花边。
谁才是“关系户”?
如果我们将合作人次大于等于20设为一个界限,则可以帮助我们清除掉一些“花边”,这样就触及到演艺圈的中心了。那么谁才是演艺圈的核心?恐怕抛出来这个问题很多粉丝又要有一番跨日持久的论战,轻易给出答案的人注定会淹没在口水的海洋中。我们不谈核心、不谈演技、不谈粉丝数量等等,简单就最近五六年的合作关系而言,关系比较多的当属冯绍峰、杨幂、宋佳、黄渤、李晨,也就是演艺圈的“五大关系户”,这五大户不仅关系数量多而且比较优质,因为在我们清理花边时,他们的伙伴并没有从圈内大量消失。而演技派张嘉译原本是演艺圈的关系大户,可是清洗之后,他就被挤出了前五名,他的合作伙伴中,与人合作次数小于20人次的比较多,可能是因为张嘉译更喜欢提携一些演艺新人吧。
范爷的关系位置处于核心的中层,不冷亦不热,与关系大户相比,数量较少。其实进入核心圈以后,关系数量和参演的电影数量正相关。每个演员对待作品可能存在很大的差异,有些人追求质量,有些人追求数量。但同一段时间对于演员可能比普通人更为重要,6年时间对于普通人而言不长不短,可是对于一个演员就意义非凡了,六年前的演艺圈可能就是另一番天地。抓住黄金时间尽可能多地出演质量较好的作品,对于提高演员的声望、地位、演技和收入尤其重要(广告谋生者除外)。
谁是中介人?
要进入某个圈子不是改变一下自己的职业就成功踏入了这个领域,这一点放置于演艺圈应该也是同样的道理。处于边缘的艺人除了要提高自身粉丝数量,加大自身话语权重以外,还要有合适的中介人,如同被心灵鸡汤和成功学唱烂的人脉。演艺圈中介度较高的是杨幂、白百何、宋佳,如果他们出手可能帮助一些人加快进入圈子核心的步伐,当然与他们合作并不一定能够理所当然地得到帮助,但这毕竟是一套展开关系网的方案。
范爷 VS 杨幂
过去的六年应该是杨幂铺展合作关系的六年,高产且合作广泛,而范爷的合作关系网中顶点就比较稀疏,因此范爷在观众心中逐渐形成了高冷的形象,加上成功饰演武皇帝,高贵冷艳范儿更使其形象在观众眼中“雪上加霜”。
就演员自身的业务网络而言,范爷与杨幂比较,多个基本指数较低,比如合作者数据量、网络关系数量和平均关系数量,与杨幂相比较,这些基本指标稍微“孤立“了范爷。但范爷的网络密度和连接度要好于杨幂,原因是网络越小越容易维持较高的密度和连接度,而较大的网络维持较高密度、连接度对网络中每一个人的社交能力要求都很高,所以密度低、连接度低几乎是巨型网络关系的宿命。
给范爷推荐合作伙伴
每一个演员都有一套维持自身网络的方法和技巧,普通人也一样,没有分出高下的必要,适合自己最好。但普通人尚热衷于拓展自身的人脉关系(小编比较冷淡),何况演艺圈。比尔盖茨最近不无戏谑的调侃称人类作为社会动物的本性之一就是社交。范爷在《最强大脑》上的表现更是展现了“亲民“的一面,但是还是被某人冷嘲热讽(范冰冰PK王思聪)。小编突发奇想,真心为范爷推荐几个强势合作伙伴,哎,也是操碎了心。
给范爷推荐合作者要本着几个原则:1)推荐对象6年内非范爷合作者(应该这样);2)推荐对象与范爷的共同合作者较多;3)推荐对象在合作网络中中介度较高;4)推荐对象的合作关系丰富。根据以上原则使用综合算法为范爷推荐了10个未来合作对象。
从结果上看,杨幂无疑是最优的合作对象,前五名中去除缺少共同好友(共同合作者)的推荐对象,也只剩下杨幂、周迅、刘烨。但就小编个人而言,推荐范爷在未来和刘烨、朱雨辰、张嘉译合作。是的,你没有看错,李晨也在榜上,算法的结果和范爷的选择不谋而合。如果你来推荐,推荐谁?
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14