一、看待大數(shù)據(jù)預(yù)測(cè)失準(zhǔn)要冷靜客觀

           近年來(lái)，大數(shù)據(jù)一詞頻繁出現(xiàn)在各類(lèi)媒體上，與大 數(shù)據(jù)相關(guān)的各種產(chǎn)業(yè)、產(chǎn)品也在蓬勃發(fā)展。今年2月，中關(guān)村管委會(huì)在《加快培育大數(shù)據(jù)產(chǎn)業(yè)集群推動(dòng)產(chǎn)業(yè)轉(zhuǎn)型升級(jí)的意見(jiàn)》發(fā)布會(huì)上表示，到2016年，中關(guān)村 大數(shù)據(jù)帶動(dòng)的產(chǎn)業(yè)規(guī)模將超過(guò)1萬(wàn)億元，這還僅僅是中關(guān)村大數(shù)據(jù)產(chǎn)業(yè)的數(shù)字而已，放眼全球，大數(shù)據(jù)未來(lái)的錢(qián)景非?？捎^。盡管大數(shù)據(jù)概念被熱炒，但與大數(shù) 據(jù)相關(guān)的各種產(chǎn)品其實(shí)尚處在初期探索階段，比如利用大數(shù)據(jù)做預(yù)測(cè)，盡管百度預(yù)測(cè)此前在世界杯預(yù)測(cè)、黃金周旅游預(yù)測(cè)等產(chǎn)品上表現(xiàn)出比較高的準(zhǔn)確率，但對(duì)預(yù) 測(cè)本身來(lái)說(shuō)，出現(xiàn)失準(zhǔn)的現(xiàn)象其實(shí)很正常。

           具體到《黃金時(shí)代》票房預(yù)測(cè)這件事上，我們先來(lái)看看 百度的官方解釋。百度對(duì)媒體的回應(yīng)并沒(méi)有將問(wèn)題歸結(jié)到工程師犯錯(cuò)，而是直接指出核心原因：因?yàn)槲覈?guó)電影市場(chǎng)上文藝片的歷史票房數(shù)據(jù)很少，所以在針對(duì) 《黃金時(shí)代》進(jìn)行預(yù)測(cè)時(shí)采用了通用的模型而沒(méi)有針對(duì)文藝片單獨(dú)建模，導(dǎo)致最終結(jié)果出現(xiàn)偏差。

        擁有蕭紅、民國(guó)、文藝這些標(biāo)簽，《黃金時(shí)代》算得上 相對(duì)小眾的電影，面向的觀眾并非主流人群。關(guān)于這類(lèi)電影的任何數(shù)據(jù)都是少之又少，沒(méi)有對(duì)應(yīng)類(lèi)型片的預(yù)測(cè)模型可供參考。百度在預(yù)測(cè)《黃金時(shí)代》時(shí)采取了通用 電影的模型，導(dǎo)致出現(xiàn)了較大偏差，未來(lái)如果要預(yù)測(cè)準(zhǔn)確，最好的解決方式肯定是針對(duì)不同類(lèi)型的電影單獨(dú)建模，而據(jù)我了解，尚處在內(nèi)測(cè)階段的票房預(yù)測(cè)已經(jīng)在進(jìn) 行這方面的改進(jìn)。

瀏覽百度預(yù)測(cè)平臺(tái)（trends.baidu.com)，百度票房預(yù)測(cè)的圖標(biāo)是灰色的，并沒(méi)有正式上線，相反，經(jīng)濟(jì)指數(shù)、疾病、景點(diǎn)和賽事預(yù)測(cè)倒已全面上線投入使用。百度票房預(yù)測(cè)模型還需進(jìn)一步完善，更多參數(shù)需要加入模型，比如影片屬性、片長(zhǎng)、排片量、場(chǎng)均票價(jià)等全方位維度都納入考慮。

          不過(guò)，從另一個(gè)角度來(lái)看，我認(rèn)為，就算是百度票房預(yù)測(cè)正式上線之后出現(xiàn)預(yù)測(cè)失誤，也非常正常，沒(méi)有誰(shuí)真正擁有水晶球，大數(shù)據(jù)預(yù)測(cè)無(wú)法確定某件事情必然會(huì)發(fā)生，它更多是給出一個(gè)概率，人類(lèi)只有不斷地去接近這一個(gè)概率。預(yù)測(cè)的前提就是要承認(rèn)不確定性的存在。在不同領(lǐng)域不確定性大有不同。票房、股市恰恰就是更容易受人為影響的存在大力不確定性的領(lǐng)域，預(yù)測(cè)的難度會(huì)大過(guò)天氣、旅游、交通、物價(jià)等。

         因?yàn)橐徊俊饵S金時(shí)代》預(yù)測(cè)失利便質(zhì)疑大數(shù)據(jù)預(yù)測(cè)本身，或者票房預(yù)測(cè)本身，是不合理的。百度此前在世界杯期間、在黃金周期間相對(duì)漂亮的預(yù)測(cè)結(jié)果，已經(jīng)證明了大數(shù)據(jù)預(yù)測(cè)的價(jià)值，只不過(guò)面對(duì)票預(yù)測(cè)房這一全新的領(lǐng)域，需要更耐心地優(yōu)化而已。那么，票房預(yù)測(cè)在中國(guó)真的沒(méi)效嗎？

二、預(yù)測(cè)的精髓在于沉淀和糾偏

         《為什么大數(shù)據(jù)在預(yù)測(cè)《黃金時(shí)代》票房時(shí)不靈了？》一文的核心觀點(diǎn)列舉如下：1、中國(guó)票房數(shù)據(jù)沉淀太少；2、一些人為制造的數(shù)據(jù)對(duì)票房預(yù)測(cè)造成干擾；3、預(yù)測(cè)模型處于初級(jí)階段，變量遺漏和樣本偏差；4、影院經(jīng)理預(yù)測(cè)靠譜，票房預(yù)測(cè)沒(méi)有意義，電影預(yù)測(cè)談大數(shù)據(jù)為之過(guò)早。

         對(duì)于這些觀點(diǎn)，只有第3點(diǎn)我表示認(rèn)同，這是客觀事 實(shí)，百度也承認(rèn)處于內(nèi)測(cè)階段的票房預(yù)測(cè)模型存在不足尚需完善。但如果深思則會(huì)發(fā)現(xiàn)，世界上并無(wú)完美的預(yù)測(cè)模型，每個(gè)領(lǐng)域都是，下一秒要發(fā)生的事情會(huì)受到諸 多變量影響，有些變量是可提前納入考慮的，有些變量就算考慮到卻又是很難監(jiān)控，變量遺漏和樣本偏差是永遠(yuǎn)存在的預(yù)測(cè)問(wèn)題，預(yù)測(cè)者只有不斷地更新變量、糾偏 樣本、升級(jí)模型才可以不斷地保持預(yù)測(cè)足夠接近真實(shí)。

          在《大數(shù)據(jù)預(yù)測(cè)將會(huì)改變哪些行業(yè)？》 一文中，筆者總結(jié)大數(shù)據(jù)預(yù)測(cè)的邏輯基礎(chǔ)是，每一種非常規(guī)的變化事前一定有征兆，每一件事情都有 跡可循，如果找到了征兆與變化之間的規(guī)律，就可以進(jìn)行預(yù)測(cè)。 對(duì)于預(yù)測(cè)來(lái)說(shuō)至關(guān)重要的兩點(diǎn)是：從過(guò)往數(shù)據(jù)和經(jīng)驗(yàn)中得到的規(guī)律，這映射到預(yù)測(cè)模型；可以實(shí)時(shí)監(jiān)控的變化，映射到變量或者說(shuō)實(shí)時(shí)數(shù)據(jù)。大數(shù)據(jù)預(yù)測(cè)與傳統(tǒng) 預(yù)測(cè)的不同就在于：更具時(shí)效性、新型數(shù)據(jù)源、動(dòng)態(tài)性預(yù)測(cè)以及規(guī)律性依賴(lài)。

         對(duì)票房預(yù)測(cè)持消極態(tài)度的首先將問(wèn)題歸結(jié)為數(shù)據(jù)：電影數(shù)據(jù)沉淀太少、各家網(wǎng)絡(luò)數(shù)據(jù)不通以及臟數(shù)據(jù)問(wèn)題。

1、沉淀太少是杞人憂天。

            中國(guó)票房數(shù)據(jù)沉淀太少可能是客觀事實(shí)。但預(yù)測(cè)需要海量歷史數(shù)據(jù)的原因在于從中發(fā)現(xiàn)規(guī)律。但倘若只有100年的票房數(shù)據(jù)，卻并沒(méi)有與影響這些票房數(shù)據(jù)的變量數(shù)據(jù)，對(duì)于挖掘規(guī)律其實(shí)并無(wú)幫助。

         一個(gè)例子是百度在做世界杯預(yù)測(cè)時(shí)便與第三方數(shù)據(jù)公司合作得到大量歷史數(shù)據(jù)進(jìn)行挖掘，將球隊(duì)、隊(duì)員、場(chǎng)地等靜態(tài)因素考慮在內(nèi)同時(shí)引入輿情、歐賠指數(shù)等動(dòng)態(tài)變量，最終實(shí)現(xiàn)接近準(zhǔn)確的預(yù)測(cè)。

       對(duì)于票房預(yù)測(cè)而言，就算得到中國(guó)80、90年代的票 房數(shù)據(jù)，而不是預(yù)測(cè)相關(guān)數(shù)據(jù)，對(duì)于票房規(guī)律的獲取并無(wú)什么幫助，那時(shí)候并無(wú)互聯(lián)網(wǎng)，電影市場(chǎng)早已面目全非。票房預(yù)測(cè)究竟需要什么數(shù)據(jù)？沒(méi)有人可以告訴 我們答案。等到10年之后數(shù)據(jù)積累完全再來(lái)談大數(shù)據(jù)預(yù)測(cè)，并不現(xiàn)實(shí)。因?yàn)榻裉觳蛔?，人們就不知道該收集、記錄什么?shù)據(jù)。況且誰(shuí)又能指出10年與2年在時(shí)間 上的差距會(huì)對(duì)數(shù)據(jù)積累造成什么本質(zhì)不同呢？

           大數(shù)據(jù)預(yù)測(cè)的數(shù)據(jù)源優(yōu)勢(shì)正是在于它可以更全面及時(shí)地記錄數(shù)據(jù)，并且收集到過(guò)往完全無(wú)法收集的數(shù)據(jù)比如用戶的需求、輿情、情緒變化，或者說(shuō)出行規(guī)律、電影票價(jià)、影院排期數(shù)據(jù)。因此與其去擔(dān)憂傳統(tǒng)數(shù)據(jù)沉淀不足還不如思考票房預(yù)測(cè)究竟需要哪些數(shù)據(jù)，究竟如何才能提升規(guī)律？

2、數(shù)據(jù)不通和臟數(shù)據(jù)是永恒問(wèn)題。

           網(wǎng)絡(luò)數(shù)據(jù)不通是整個(gè)互聯(lián)網(wǎng)都要面臨的數(shù)據(jù)鴻溝問(wèn)題， 沒(méi)有哪一家擁有全網(wǎng)的數(shù)據(jù)，聚合全網(wǎng)數(shù)據(jù)進(jìn)行預(yù)測(cè)幾乎是不可能完成的任務(wù)，況且這根本沒(méi)任何必要。如果說(shuō)社交網(wǎng)絡(luò)數(shù)據(jù)對(duì)預(yù)測(cè)很重要，那么中國(guó)只有騰訊才可 能做好預(yù)測(cè)實(shí)際并沒(méi)有做。阿里淘寶指數(shù)已成為電商銷(xiāo)量風(fēng)向標(biāo)、百度搜索指數(shù)對(duì)于各行各業(yè)同樣具有重要的參考意義，因?yàn)樗碚髋d趣。每家掌握數(shù)據(jù)的性質(zhì) 不同，但確實(shí)可通過(guò)合作去得到更多維度的數(shù)據(jù)，最終提升預(yù)測(cè)可靠性，但要各家直接打通數(shù)據(jù)壁壘是不現(xiàn)實(shí)的。

        同理，臟數(shù)據(jù)以及噪音是整個(gè)互聯(lián)網(wǎng)永遠(yuǎn)存在 的現(xiàn)象，就算是傳統(tǒng)的采樣調(diào)研難免也會(huì)遇到噪聲樣本進(jìn)而被干擾。應(yīng)對(duì)這個(gè)問(wèn)題只有盡量過(guò)濾噪音數(shù)據(jù)，同時(shí)考慮到噪音對(duì)模型進(jìn)行不斷地糾正，并且增大預(yù)測(cè)結(jié) 果的誤差范圍。還有一個(gè)假設(shè)是，如果有臟數(shù)據(jù)對(duì)結(jié)果起到積極作用（比如讓票房成績(jī)更好），同樣會(huì)有臟數(shù)據(jù)對(duì)結(jié)果起到消極影響。

          百度搜索結(jié)果不排除有人為操作的數(shù)據(jù)，水軍評(píng)論、豆瓣評(píng)分大家心知肚明，但文中所提及的百度商業(yè)化結(jié)果卻根本算不上臟數(shù)據(jù)，因?yàn)榘俣纫懦虡I(yè)廣告的影響輕而易舉，況且這些數(shù)據(jù)對(duì)預(yù)測(cè)是十分有價(jià)值的，Google票房預(yù)測(cè)模型一部分便是基于廣告點(diǎn)擊數(shù)據(jù)。

3、影院經(jīng)理不是預(yù)測(cè)而是影響票房。

             影院經(jīng)理確實(shí)可預(yù)測(cè)對(duì)應(yīng)影院某部電影的票房結(jié)果。如果他們掌握拍期權(quán)甚至還可以直接影響、決定對(duì)應(yīng)電影的局部票房。所有影院經(jīng)理最終會(huì)對(duì)整體票房造成莫大的影響。這并不是一個(gè)因果關(guān)系，而是環(huán)環(huán)相扣：影院經(jīng)理在預(yù)測(cè)票房的同時(shí)也影響著票房。

           我們可以將影院經(jīng)理對(duì)應(yīng)到股市中的股民，股民對(duì)自己 所關(guān)注的股票價(jià)格有所預(yù)期，基于這個(gè)預(yù)期進(jìn)行減倉(cāng)或增持等操作。所有股民的博弈最終決定了股價(jià)的波動(dòng)。但這并不意味著股民是最好的股票預(yù)測(cè)專(zhuān)家。在旅游、 交通、房?jī)r(jià)等領(lǐng)域均有類(lèi)似的狀況，參與者基于個(gè)體的預(yù)測(cè)，或者第三方預(yù)測(cè)結(jié)果去做出行動(dòng)，進(jìn)而影響結(jié)果。

           這里想說(shuō)明的是，將參與者與預(yù)測(cè)者放在一起本身就不 合適，參與者是十分重要的動(dòng)態(tài)變量。《黃金時(shí)代》出現(xiàn)如此慘淡的票房很大程度便是票房經(jīng)理不斷降低預(yù)期進(jìn)而減少排片所致。不過(guò)，百度未來(lái)與影院或者票房經(jīng) 理合作倒確實(shí)可以提升預(yù)測(cè)準(zhǔn)確率，一方面在線下升級(jí)模型，另一方面將票房經(jīng)理的排期計(jì)劃納入監(jiān)控范圍，把百度數(shù)據(jù)+工程師的大數(shù)據(jù)預(yù)測(cè)升級(jí)為眾包式的票房 預(yù)測(cè)，倒有可能。

            最后我想說(shuō)的是，因?yàn)橐徊侩娪暗念A(yù)測(cè)失利否定大數(shù)據(jù) 票房預(yù)測(cè)確實(shí)有待商榷，天氣預(yù)報(bào)不斷地沉淀不斷地升級(jí)才能做到今天的準(zhǔn)確率以及精細(xì)化，但仍有不準(zhǔn)的時(shí)候，在影響我生活時(shí)我也曾憤怒地認(rèn)為天氣預(yù)報(bào)不考 慮，但大家都知道事實(shí)并非如此。票房預(yù)測(cè)剛剛開(kāi)始，或許應(yīng)該得到更多包容。從長(zhǎng)遠(yuǎn)來(lái)看，通過(guò)不斷的優(yōu)化，如果票房預(yù)測(cè)產(chǎn)品最終能夠達(dá)到一定的準(zhǔn)確度，那么 對(duì)于整個(gè)電影產(chǎn)業(yè)將會(huì)提供非常重要的參考價(jià)值，比如對(duì)投資方、拍攝方、推廣方提供更準(zhǔn)確的數(shù)據(jù)參考，從而引導(dǎo)他們?cè)谛麄魍茝V、劇情設(shè)置甚至是甄選演員等方 面做出更加準(zhǔn)確、有利的判斷。