Análise de influência do Twitter sobre o lançamento de filmes em cinemas no mercado doméstico dos Estados Unidos entre 2007 e 2019
Um dos grandes problemas de um bem de experiência como os filmes é a assimetria de informação, o consumidor apenas sabe seu valor após seu consumo. A fim de mitigar os riscos dessa decisão, os espectadores buscam por indicadores de sua qualidade antes de frequentar as salas de cinema, entre estes in...
| Author: | |
|---|---|
| Format: | master thesis |
| Status: | Published version |
| Publication Date: | 2024 |
| Country: | Brasil |
| Institution: | Universidade de São Paulo (USP) |
| Repository: | Biblioteca Digital de Teses e Dissertações da USP |
| Language: | Portuguese |
| OAI Identifier: | oai:teses.usp.br:tde-27082024-130728 |
| Online Access: | https://www.teses.usp.br/teses/disponiveis/100/100131/tde-27082024-130728/ |
| Access Level: | Open access |
| Keyword: | Cinema Consumo de filmes Film consumption Influence Influência Predição Prediction |
| Summary: | Um dos grandes problemas de um bem de experiência como os filmes é a assimetria de informação, o consumidor apenas sabe seu valor após seu consumo. A fim de mitigar os riscos dessa decisão, os espectadores buscam por indicadores de sua qualidade antes de frequentar as salas de cinema, entre estes indicadores estão as críticas feitas nas redes sociais ou efeito boca-a-boca eletrônico, das quais o Twitter faz parte. Há uma vasta literatura que explora o Twitter como elemento de predição da bilheteria, mas o efeito de influência ainda é pouco explorado. O objetivo deste trabalho é por meio de modelos computacionais identificar a relação de influência do Twitter sobre as bilheterias de cinema e contrastá-la com o efeito preditivo entre os anos de 2007 (surgimento e amadurecimento do Twitter) e 2019 (antes do surgimento da pandemia do Covid-19). Descobriu-se que o Twitter influencia no curtíssimo prazo (um dia antes e o próprio dia da observação) e que a principal dimensão é o sentimento do tweet ainda que ela tenha obtido baixo poder preditivo nos melhores modelos como o XGBoost que alcançou 0.90 de R². Espera-se que o conhecimento aqui desenvolvido sirva de insumo para indústria a fim de que esta o aproveite no fornecimento de melhores indicadores de qualidade e consequentemente melhore a eficiência do mercado cinematográfico e similares |
|---|