点此 见知乎原文
前一阵子刚给一个客户（好莱坞六大电影公司之一）做了这方面的项目，希望可以从数据分析的角度给大家提供一些有参考价值的经验。
概括地说：短期预测有可能，长期预测很难。
从短期预测来看，如果选的变量足够多、足够好，还是可以做出一些相对准确的预测的。当然最大的问题始终是：用什么数据来预测票房？我们先看一下Google那篇文章 ：Quantifying Movie Magic with Google Search. 当时这篇文章也算轰动一时，吸引了不少注意。这篇文章给的结论是，如果用以下四个变量做线性回归提前一周预测首周末票房，模型的R2是0.92——即这四个变量可以反映票房数据92%的方差：
- 上映七天前的电影名字Google搜索量
- 上映七天前的电影Google搜索广告点击量
- 上映影院数量
- 是否为系列电影（0-1变量）
如果用以下变量，提前一个月预测首周末票房的模型R2是0.94：
- 预告片搜索量
- 是否为系列电影（0-1变量）
- 是否在假期上映（0-1变量）
看起来结果不错，但我们认为它有很多漏洞，使得它派不上什么实际的用处。最大的问题是，我们不知道文中的这些模型有没有过拟合（overfit）。文章说用了2012年99部电影的数据做了这个分析，这个样本实在太小了（IMDb上有360万title，按照250年的跨度计算的话平均一年也有1万多部电影）。文章也没有提供关于过拟合的任何分析，使得我们十分怀疑如果换一个数据集会不会结果就不那么准了。可惜我们没有搞到“上映七天前的电影Google搜索广告点击量”和“预告片搜索量”这两个数据，不然就可以验证这个猜想了。事实上，我们尝试用了相似的变量，包括文中提到的一些没有使用的变量（比如MPAA rating之类的），在新的数据集上并没有得到这么好的结果。
于是我们只能自己想办法。经过一番折腾（这里省略五百字血泪搬砖史），我们最终决定采用了以下数据：
- 同类电影同期票房
- 同期上映电影票房预测
- 上映影院数量
- 是否为系列电影（0-1变量）
- 是否在假期上映（0-1变量）
- 上映七天前的电影名字Google搜索量
- 上映七天前的电影名字Wikipedia搜索量
这里解释一下1和2这两个数据。每部电影准备上映之前，电影公司（至少我们客户）会标出一些这部电影的过往同类电影（comparable movies），用来分析新电影是否表现相对出色。这些同类电影的选择是人为的，并非靠算法，都是靠电影公司的经验。我们是从客户那里获取了这些数据，调出了这些同类电影的同期数据。另外（2）同期上映电影指的是同一时间上映的电影，比如功夫熊猫3在美国和Zoolander同时上映，他们就是同期上映电影。可以想象，如果哪部动画电影和《疯狂动物城》同时上映，票房一定会受影响。我们用了这些数据，得到的预测平均绝对误差结果如下图：
我们随机选用了客户数据库中2010-2015年的150部电影，用以上数据建立线性模型提前7天预测票房，将误差绝对值的平均值画出来就是这张图，横轴为周数（9表示上映9周之后）。最显而易见的结论是长期预测真心不靠谱，这个等会儿再细说，先说短期预测。我们的预测在前8周都可以误差在1%左右，这是很令人满意的。然而，过拟合的问题依然没有解决。我们这里预测的都是美国票房，如果把同一个模型用来预测中国票房，预测值就彻底跑偏了（当然，也要先把Google搜索换成某度搜索指数……）。而且150部电影的样本量还是不够大，如果选一些老电影的话（比如2005年之前的电影），这个预测也不准。所以我们也不敢说比Google做得更好，可能只是在某些方面略有改善而已。总的来看，如果继续花工夫寻找好的变量和模型，还是有可能把短期预测做得更好的。
长期预测就没那么容易了。长期预测可以分为两种，一种是上映时预测很长时间之后的票房（比如第10周、第20周的票房），还有一种是离上映还很遥远的时候预测整体票房，这两个都很难。前者就是我们在上图里面看到的现象了，Google也表示做不好这种预测。我们揣测主要的原因是上映之前所有人所知道的信息都有限，此时用那些变量做预测可以做到八九不离十；但上映之后观众群体对电影掌握了更多信息，可能会产生互相之间的影响——我可能是因为身边的人安利了我才去看，而不是自己搜了Google/百度。这样的潜在信息未必能从数据中反映出来。
后一种长期预测——离上映还很遥远的时候预测整体票房——就更难了，有很多因素会影响到票房的走向。举例来说，很明显的影响是营销的投入：一般来说在广告上的投入和票房呈正相关（当然也有一些例外）。营销做到什么程度、会不会产生爆炸式的传播效果，都是之前难以逆料的，要等社交网络或者市场调查的数据出来了才能知道。此外，还有很多深层次、很难用数据捕捉的信息，比如大众审美的变化等等，都会影响到票房。
说到底，短期预测可以做而长期预测做不准，对于电影公司和影院来说并没有什么用。因为提前7天哪怕有了准确的预测，他们也无法相应地调整任何策略，做出更优的部署（这时候换上映地点什么的也已经来不及了），所以只是看个预测、求个心安而已，别无它用。我们也和客户深入地讨论过为什么这么难预测，得出的结论是：卖电影不像卖车，电影与电影之间的不同之处很难衡量，因此在别的电影上获得的经验很难应用到新电影上。车与车之间，我们可以用各种量化的指标去衡量差异：发动机、外型、内饰、颜色等等。所以从过往车的销量数据可以预测新车的销量数据。但是电影怎么衡量相似程度呢？时长、卡司、类型……这些方面都能给我们一些信息，但显然不能给我们全部的信息——知道了这些我们也依然无法知道电影的质量、观众对它的观感和未来的票房。从数据分析的角度出发，我们需要找到更好的度量（metrics）来衡量电影与电影之间的差异；从行业的角度出发，我觉得这也是电影行业的魅力所在，或许并非只用数据可以衡量和预测的。
所以回到题主的问题：如何专业地预估票房？我想“专业”需要同时来自于数据分析的更多探索以及对电影行业的深刻认识吧。这个结论其实放之四海而皆准，在很多其它领域也一样适用。略有不同的是，数据分析（或者说“大数据”）虽然在很多领域都被炒得火热，在电影行业其实并没有太多好的实践，和其它行业相比还有非常多与业界结合的提升空间。