電影票房分析題目

『壹』 電影票房的統計分析有哪些

復制的很全 不過已經過時了 就拿那個3天票房說吧 赤壁 3天破億 變形金剛4天破億 那他們3天的總票房應該 在前面
幾個例子：
十面埋伏 3天的票房可以達到5000多萬 然而總票房屈指可算 3天票房多是宣傳力度大 而後面票房狂跌是口碑差 影片本身不好看 口口相傳。可以看出宣傳對票房的影響之大，而口碑對票房的影響同樣雷人

泰坦尼克號 是1997年開始逐步上映的 當時的投資是很驚人的 然而上映後票房低的讓投資人慾哭無淚，可影片本身拍攝非常完美，催下了無數人的眼淚，口碑非常好 導致票房逆增長，最後創下了票房冠軍，上映時間長達8個月，觀影之熱，直至無法下檔，最後的票房在11年後的今天都沒有一部影片可以超越，看來口碑的好壞是決定票房的第一因素。

最後再說一部電影 今年賀歲檔的 桃花運 票房糾正下 不是3000萬 而是4000萬 對於這樣一部投資的電影，這樣的票房是很高的，今年賀歲的喜劇片 愛呼2 女人不壞 非誠勿擾 每一部的質量都在桃花運之上。桃花運 影片本身是非常粗糙的 故事最後草草收尾 可票房怎麼會那麼高呢？原因很簡單，檔期選的好，沒有一部片子在數周內和其分羹，結果就是大家來到影院就這一部電影 愛看不看，檔期的好壞也非常重要

『貳』 2021中國電影總票房472.58億元，這一數據說明了什麼

在剛剛過去的2021年中，我國的電影總票房拿到了472.58億元人民幣，這個數據說明了電影行業的發展很不錯，哪怕是在疫情接二連三的打擊下，還能夠拿到這么高的票房，這也實在是很不容易的事情。

最後，盡管2021年的票房成績很客觀，但是這一年撲街的電影也不少，年初有陳建斌和周迅主演的《第十一回》票房撲街，後來又出現了《第一爐香》、《熱帶往事》等多部票房撲街的影片，2021年票房過十億元的電影也寥寥無幾，除去春節期間和國慶期間的電影，也就只有《中國醫生》票房超過十億元了。

『叄』 省考模擬題國產電影之所以能夠在票房上與席捲全球的好萊塢電影__

【試題】國產電影之所以能夠在票房上與席捲全球的好萊塢電影________，很大程度上是因為國產電影這種互聯網氣質帶來的親切感、平民化，這是好萊塢電影難以比擬的________優勢。
依次閉尺虛填入劃橫線部分最恰當的一項是：

【解析】第一步，分析第一空。根據前文「與席捲全球的好萊塢電影」及後文「更是好萊塢電影難以比擬的優勢」可知困備，該空表示國產電影的票房跟好萊塢電影差不多的意思。A項「平分秋色」指雙方各一半；B項「分庭抗禮」比喻平起平坐、地位相等或互相對立；C項「不相上下」指分不出高低，形容數量、程度差不多。均符合文意，保留。D項「和衷共濟」指大家一條心，共同渡過江河。比喻同心協力，克服困難，不符合文意，排除D項。轎燃
第二步，分析第二空。根據空前「這」所指代的內容為國產電影自身的特點可知，第二空表示國產電影對比好萊塢電影的自身優勢，B項「本土」指原來的生長土地，可對應國產電影自身的特點，符合文意。A項「突出」指超過一般地顯露出來，與文意無關，排除A項。C項「草根」指同政府或決策者相對的勢力或同主流、精英文化或精英階層相對應的弱勢階層，引申為「基層民眾」的內涵。C項只能對應前文平民化的特點，不能體現國產電影自身的特點，排除C項。
因此，選擇B選項。

『肆』 一個困擾多年的「電影票房問題」、影帝幫忙回答~~

首先，拍電影誰都想拍好電影 拍大電影。。但是哪個導演剛出來也不能就像張藝謀馮小剛似的 拍出來就是大片。。 都得從小做起。。 至於收益。銷緩。拍電影都不是哪個導演自己出錢的 都塵寬是靠贊助 拉來贊助的就叫製片人。。這些贊助就足夠電影的拍攝和演員的經費。。至於拍完賺不賺錢就兩說了 賺錢了 大家都好 不賺錢 也積累的名！
其次，只有大片 才會那麼快出搶先版。。像之前說的小成本的片 DVD的都沒人看 何況搶先版的 既然是大片就不怕你出盜版的 馮小剛的<唐山大地震>剛上映5天。。網上已經有搶先版的了。。但這五天人家票房已經達到2億了。。
這也分地域的 在中國 盜版是具有中國特色的！在歐美 盜版就不那麼猖獗 。。人家願意去電影院欣賞電影。。就像年前的阿凡達。。人家在北美自己的票房就達到了747.5百萬美元，而在海外 也就是累死中國這些國家全加在一起派斗亮才1.97百萬美元。。九牛一毛而已。。
最後的問題 你可以去網路：電影票房
PS：純屬個人觀點 歡迎採納！

『伍』 貓眼票房分析

貓眼票房分析只統計已開映場次和當天未開映場次票房，根據自己平台統計加上估算其他渠道售票估算而得。

貓眼有比較專業的數據分析平台，通過數據分析預測出來的。票房預測主要看以下幾點：電影定位及受眾群；平台購票人群年齡層及喜好；電影上座率；觀影後觀眾反饋、口碑及評分；影院排片空間等等。

貓眼電影是美團旗下的一家集媒體內容、在線購票、用戶互動社交、電影衍生品銷售等服務的一站冊培式電影互聯網平台，2015年6月，貓眼電影覆蓋影院超過4000家，這些影院的票房貢獻佔比超過90%。

基本信息

2016年5月27日，北京光線傳媒股份有限公司發布公告，光線傳媒與美團點評交叉持股，光線傳媒通過旗州逗唯下上海光線投資控股有限公司入股貓眼電影。2016年11月，貓眼電影榮登2016中國泛娛樂指數盛典中國文娛創新企業榜TOP30，貓眼電影原名美團電影，由美團網於2012年2月推出，2013年1月更名為貓眼電影，2015年7月貓眼電影獨立為美團網旗下全資子公司貓眼文化傳媒有限公司。

貓眼專業版是由國內最大的互聯網+電影平台貓眼電影推出的旨在為影視行業人士提供指御內容數據信息服務的專業應用工具，可面向專業人士和普通用戶提供包括電影實時票房、電視收視數據。

『陸』 關於電影的好壞是以票房為評價標準的辯倫賽,我是正方二辯，如何提出問題

這個問題較有意思。既是正方，就應該支持這個觀點 票房是電影好壞的試金石。
好的電影被大眾喜歡，票房自然就高。現在是觀眾的天地，他們的興趣點決定了票房的高低。也從一個側面反映出影片的品質。電影是一種商品，他是要被人們喜歡才有價值。既是商品就有觀賞價值。當然價值的高低不只有票房一個標准。像當今的啥子囧，票房就很高，有它得勝的原因。輕松，不用動腦子就能看懂，適應了白領們放鬆工作壓力的需求，自然就有了高票房。但是如果都像這部電影這樣簡單，文化就沒有存在的必要了。白水和濃酒不在一個水平線上。返正舉大眾要白水，也要濃酒。姜文的子彈飛就是濃酒。票房也很好，是當年的冠軍。故，票房是電影好壞清改的標准，但不是唯一的標准。有內涵的，觀眾喜歡的電影，就是票房的漏碧保證。也是電影好壞的試金石。

『柒』 數據挖掘 | 數據理解和預處理

數據挖掘 | 數據理解和預處理
小編遇到過很多人(咳咳，請不要對號入座)，拿到數據後不管三七二十一，先丟到模型中去跑，管它具體什麼樣呢，反正「大數據」嘛，總能整出點東西來。
但就像上次說過的，「大數據」很有可能帶來「大錯誤」!所以在數據挖掘工作開始前，認真的理解數據、檢查數據，對數據進行預處理是至關重要的。
很多人說，數據准備工作真是個「體力活」，耗時耗力不說，還異常的枯燥無味。這點小編承認，建模之前的數據處理確實是平淡的，它往往不需要多高的智商，多牛的編程技巧，多麼高大上的統計模型。
但是，它卻能時時觸發你的興奮點，因為它需要足夠的耐心和細心，稍不留神就前功盡棄。
在這次的內容里，小編首先會從「數據理解」、「變數類型」和「質量檢查」三個方面進行闡述，然後會以一個自己做過的實際數據為例進行展示。
一、數據理解
拿到數據後要做的第一步就是理解數嘩知據。
什麼是理解數據呢?不是簡單看下有多少Excel表，有多少行，多少列，而是要結合自己的分析目標，帶著具體的業務需求去看。
首先，我們需要明確數據記錄的詳細程度，比方說某個網站的訪問量數據是以每小時為單位還是每天為單位;一份銷售數據記錄的是每家門店的銷售額還是每個地區的總銷售額。
其次，洞蘆猜我們需要確定研究群體。研究群體的確定一定和業務目標是密切相關的。
比方說，如果我們想研究用戶對產品的滿意度與哪些因素有關，就應該把購買該產品的所有客戶作為研究群體;如果我們想研究用戶的購買行為受哪些因素影響，就應該同時考察購買人群和非購買人群，在兩類人群的對比中尋找關鍵因素。
研究群體的確定有時也和數據的詳細程度有關。
比如我們想研究「觀眾影評」對「電影票房」的影響，我們既可以把「每部電影」看成一個個體，研究「影評總數」對「電影總票房」的影響，也可以把「每部電影每天的票房」看成一個個體，研究「每天的影評數」對「每天的電影票房」的影響。
具體選擇哪一種取決於我們手上有什麼樣的數據，如果只有總票房和總影評數的數據，那我們只能選擇第一種;如果有更詳細的數據，那就可以考慮第二種方案。
需要注意的是，這兩種方案還會影響我們對於模型的選擇。
例如，如果研究「每天的影評數」對「每天電影票房」的影響，那每部電影又被細分為很多天，同一部電影不同時間的票房會有較高的相似性，這就形成了一種層次結構，可以考慮使用層次模型(hierarchical model)進行分析。
最後，當我們確定了研究目標和研究群體後，我們需要逐一理解每個變數的含義。有些變數和業務目標明顯無關，可以直接從研究中剔除。
有些變數雖然有意義，但是在全部樣本上取值都一樣，這樣的變數就是冗餘變數，也需要從研究中剔除。
還有一些變數具有重復的含義，如「省份名稱」和「省份簡稱」，這時只需要保留一個就可以了。
二、納型變數類型
所有變數按其測量尺度可以分成兩大類，一類是「分類變數」，一類是「數值變數」。不同類型的變數在處理方法和後期的模型選擇上會有顯著差別。
【分類變數】
分類變數又稱屬性變數或離散變數，它的取值往往用有限的幾個類別名稱就可以表示了，例如「性別」，「教育程度」，「收入水平」，「星期幾」等。細分的話，分類變數又可分為兩類，一類是「名義變數」，即各個類別間沒有順序和程度的差別，就像「手機系統」中ios和安卓並沒有明顯的好壞差別，「電影類型」中「動作片」和「科幻片」也都是一樣的，說不上哪個更好或更差。
另外一類是定序變數，即不同類別之間存在有意義的排序，如「空氣污染程度」可以用「差、良、優」來表示、「教育程度」可以用「小學、初中、高中、大學」來表示。
當研究的因變數是分類變數時，往往對應特定的分析方法，我們在後面的章節會陸續講到，這里暫且不談。
當研究中的自變數是分類變數時，也會限制模型選擇的范圍。有些數據挖掘模型可以直接處理分類自變數，如決策樹模型;但很多數據挖掘模型不能直接處理分類自變數，如線性回歸、神經網路等，因此需要將分類變數轉換成數值變數。
對於定序自變數，最常用的轉換方法就是按照類別程度將其直接轉換成數值自變數，例如將空氣污染程度 「差、良、優」轉換為「1,2,3」。
對於名義自變數，最常用的轉換方法就是構造0-1型啞變數。例如，對於「性別」，可以定義「1=男，0=女」。
當某個名義變數有K個類別取值時，則需要構造K-1個啞變數。例如教育程度「小學，初中，高中，大學及以上」，可以構造三個啞變數分別為：x1：1=小學，0=其它;x2：1=初中，0=其它;x3：1=高中，0=其它。當x1，x2，x3三個啞變數取值都為0時，則對應著「大學及以上」。
需要注意的是，有時候名義變數的取值太多，會生成太多的啞變數，這很容易造成模型的過度擬合。
這時可以考慮只把觀測比較多的幾個類別單獨拿出來，而把剩下所有的類別都歸為「其它」。
例如，中國一共包含56個民族，如果每個民族都生成一個啞變數就會有55個，這時我們可以只考慮設置「是否為漢族」這一個0-1啞變數。
【數值變數】
我們再來看看數值變數。數值變數就是用數值描述，並且可以直接進行代數運算的變數，如「銷售收入」、「固定資本」、「評論總數」、「訪問量」、「學生成績」等等都是數值變數。
需要注意的是，用數值表示的變數不一定就是數值型變數，只有在代數運算下有意義的變數才是數值型變數。
例如財務報表的年份，上市時間等，雖然也是用數值表示的，但我們通常不將它們按照數值型變數來處理。
上面我們講到，分類變數通常要轉換成數值型變數，其實有些時候，數值型變數也需要轉換成分類變數，這就用到了「數據分箱」的方法。
為什麼要進行數據分箱呢?通常有以下幾個原因：
1. 數據的測量可能存在一定誤差，沒有那麼准確，因此按照取值范圍轉換成不同類別是一個有效的平滑方法;
2.有些演算法，如決策樹模型，雖然可以處理數值型變數，但是當該變數有大量不重復的取值時，使用大於、小於、等於這些運算符時會考慮很多的情況，因此效率會很低，數據分箱的方法能很好的提高演算法效率;
3.有些模型演算法只能處理分類型自變數(如關聯規則)，因此也需要將數值變數進行分箱處理。
數據分箱後，可以使用每個分箱內的均值、中位數、臨界值等作為這個類別的代表值，也可以直接將不同取值范圍定義成不同的類別，如：將污染程度劃分後定義為「低、中、高」等。
那如何進行數據分箱呢?常用的數據分箱的方法有：等寬分箱(將變數的取值范圍劃分成等寬的幾個區間)、等頻分箱(按照變數取值的分位數進行劃分)、基於k均值聚類的分箱(將所有數據進行k均值聚類，所得的不同類別即為不同的分箱)，還有一些有監督分箱方法，如：使分箱後的結果達到最小熵或最小描述長度等。這里不詳細介紹了，有興趣的童鞋可以自行網路。
三、質量檢查
對數據中的各個變數有了初步了解後，我們還需要對數據進行嚴格的質量檢查，如果數據質量不過關，還需要進行數據的清洗或修補工作。
一般來說，質量檢查包括檢查每個變數的缺失程度以及取值范圍的合理性。
【缺失檢查】
原始數據中經常會存在各種各樣的缺失現象。
有些指標的缺失是合理的，例如顧客只有使用過某個產品才能對這個產品的滿意度進行評價，一筆貸款的抵押物中只有存在房地產，才會記錄相應的房地產的價值情況等。
像這種允許缺失的變數是最難搞的，因為我們很難判斷它的缺失是合理的，還是由於漏報造成的。
但無論哪種情況，如果變數的缺失率過高，都會影響數據的整體質量，因為數據所反映的信息實在太少，很難從中挖掘到有用的東西。
對於不允許缺失的變數來說，如果存在缺失情況，就必須進行相應的處理。如果一個變數的缺失程度非常大，比方說達到了70%，那就考慮直接踢掉吧，估計沒救了。
如果缺失比例還可以接受的話，可以嘗試用缺失值插補的方法進行補救。
插補的目的是使插補值能最大可能的接近其真實的取值，所以如果可以從其他途徑得到變數的真實值，那一定優先選擇這種方法。
比如某個公司的財務信息中缺失了「最終控制人類型」和「是否國家控股」這兩個取值，這些可以通過網上的公開信息得到真實值;再比如缺失了「凈利潤率」這個指標的取值，但是卻有「凈利潤」和「總收入」的取值，那就可以通過變數間的關系得到相應的缺失值，即凈利潤率=凈利潤/總收入。
當然，更多的時候，我們無法得到缺失值的真實信息，這時就只能借用已有的數據來進行插補了。
對數值變數來說，可以用已觀測值的均值、中位數來插補缺失值;對分類型變數來說，可以用已觀測數據中出現比例最高的類別取值來進行插補。
這些方法操作起來非常簡單，但它們都是對所有缺失值賦予了相同的取值，所以當缺失比例較大時，可能會扭曲被插補變數與其餘變數的關系。
更復雜一點的，我們可以選擇模型插補方法，即針對被插補變數和其它自變數之間的關系建立統計模型(如回歸、決策樹等)，將模型預測值作為插補值。
如何處理缺失值是一個很大的研究課題，我們這里只是介紹了最簡單可行的方法，有興趣的讀者可以參閱Little和Rubin 2002年的專著「Statistical Analysis with Missing Data」。
【變數取值合理性檢查】
除了缺失外，我們還要考察每個變數的取值合理性。每個變數都會有自己的取值范圍，比如「用戶訪問量」、「下載次數」一定是非負的，「投資收益率」一定在0~1之間。通過判斷變數的取值是否超出它應有的取值范圍，可以簡單的對異常值進行甄別。
除了根據變數的取值范圍來檢查變數質量外，還可以根據變數之間的相互關系進行判斷。例如一家公司的「凈利潤率」不應該大於「總利潤率」等。
只有通過了各個方面檢測的數據才是一份高質量的數據，才有可能帶來有價值的模型結果。
四、實例分析——電影票房分析
最後，我們給出一個實例分析。在這個例子中，我們的目標是研究電影哪些方面的特徵對電影票房有影響。
我們有兩方面的數據，一是描述電影特徵的數據，二是描述電影票房的數據。
由於我們關注的是北美的票房市場，所以描述電影特徵的數據可以從IMDB網站得到，它是一個關於演員、電影、電視節目、電視明星和電影製作的在線資料庫，裡面可以找到每部上映電影的眾多信息;電影每天的票房數據可以從美國權威的票房網站Box Office Mojo得到，上面記錄了每部電影上映期間內每天的票房數據。
我們將從IMDB得到的數據放到「movieinfor.csv」文件中，將從Box Office Mojo中得到的數據放到「boxoffice.csv」文件中。
這里，我們以2012年北美票房市場最高的前100部電影為例進行講解。下表給出了這兩個數據集中包含的所有變數以及相應的解釋。
在這兩個數據中，movieinfor.csv數據的記錄是精確到每部電影的，而boxoffice.csv數據精確到了每部電影中每天的票房數據，是精確到天的。上表中給出的變數中，除了電影名稱和ID外，「電影類型」「MPAA評級」(美國電影協會對電影的評級)和「星期幾」是分類型變數;「放映時長」、「製作預算」、「電影每天的票房」和「每天放映的影院數」是數值型變數。兩份數據都不存在缺失值。
我們首先對兩個數據集分別進行變數預處理，然後再根據電影ID將兩個數據整合到一起。下面給出了每個變數的處理方法：
【電影類型】
電影類型是一個分類變數。在這個變數中我們發現每部電影都不止一個類型，例如「The Dark Knight Rises」這部電影就有「Action」、「Crime」和「Thriller」三個類型，並且它們以「|」為分隔符寫在了一起。
同時，不同電影之間可能有相同的類型，也可能有不同的類型，例如票房排名第二的電影「Skyfall」，它的類型是「Action |Adventure |Thriller」。
因此，我們首先需要做的是把每部電影所屬的類型逐一取出來，然後將所有出現過的類型分別形成一個0-1啞變數，如果這部電影在某個類型上出現了，則相應變數的取值就是1，否則是0.
通過上面一步，我們知道這個數據集中出現過的所有電影類型一共有11個。
那是不是按照之前所講的，應該把它轉換為10個啞變數呢?這里需要注意的是，所有的電影類型之間並不是互斥的(即有了action，就不能有其他的類型)，所以我們無需因為共線性的原因去掉其中一個。
也就是說，如果把每一個電影類型單獨作為一個獨立的變數，可以衍生出11個新的0-1變數，這完全沒有問題。但11個變數未免有點過多，所以我們根據不同電影類型的頻數分布情況，只把出現次數明顯較多的類型單獨拿出來，最終生成了6個0-1型變數，分別為Adventure，Fantasy，Comedy，Action，Animation，Others。
【MPAA評級】
對於這個分類型變數，我們首先可以看一下數據中它所包含的全部取值，發現一共有「PG」，「PG-13」和「R」三個。
和上面的電影類型(Genre)不同，對於一部電影而言，它只能有一個MPAA取值。因此，在MPAA變數中，我們需要選擇一個作為基準，將另外兩個構造成啞變數。
例如，我們以「PG」為基準，構造的兩個啞變數分別為PG13和R，如果這兩個啞變數的取值同時為0，那就相當於電影的MPAA評級是PG。
【放映當天是星期幾】
這個變數同MPAA評級一樣，每部電影只能有一個取值。
如果它在星期一到星期日上都有取值的話，我們可以衍生出6個0-1型啞變數。
因為這里我們更關注周末和非周末對電影票房的影響，而並不關注具體是哪一天，所以我們將其進一步概括成一個變數，即「是否是周末」。
【放映時長和製作預算】
放映時長和製作預算這兩個變數都是取值大於0的數值型變數，我們可以分別檢查它們的取值是否在合理的范圍內，然後直接保留它們的數值信息。
同時，對「製作預算」而言，假設我們這里關心的不是製作預算的具體數值，而是「小成本電影」和「大成本電影」的票房差異，那我們就可以將這個數值型變數進行分箱處理，轉換為一個0-1型的分類變數，即 「是否為小成本電影」。
在決定按照什麼標准來劃分是否為小成本電影時，我們根據之前文獻里的研究結果，將製作預算在100 million以下的電影看成是小成本電影。
上述所有變數的處理過程都可以使用R中最基本的語句(table，rep，which等)完成，由於篇幅限制，小編這里就不列出詳細的code了，大家感興趣的話，可以閱讀狗熊會的「R語千尋」系列(戳這里)，相信會在R語言的學習上受到更多啟發。
最後，我們將所有新生成的變數按照電影ID整合到一起，就大功告成啦。
五、總結
最後總結一下，小編在這次內容中向大家介紹了拿到數據後的數據理解和預處理工作，內容雖然不難，但同樣需要我們認真對待。就好像生活一樣，只有踏踏實實走好前面的路，才有可能迎接後面的高潮迭起!

『捌』 電影和票房問題

票房好壞和拷貝數與宣傳有很大關系

拷貝多的電影到處都會放，人們到了電影院就可以看到在放那個電影，如果正好感興趣就會看

拷貝少的電影，上映的電影院也少，電影院里安排的場次也少，一天就放一兩場，當然票房也低。

『玖』 電影票房分析及預測

從20世紀初的西洋鏡戲法到今天占據全球電影業總產值的三分之一強，資本的加入讓好萊塢在過去百年的發展中變得越來越理智--比起商業片流水線締造者，它更像一個數學家--它精於計算每一項決定對利潤的貢獻:《蝙蝠俠》續集是否要接受男演員片酬的獅子大開口以獲得百分之幾的忠實粉絲買票入場;是否要在動作片的第37分鍾增加感情戲以爭取女性觀眾;是否要為這部爛透了的原著聘請收費高昂的劇本醫生;一個小金人編劇的名頭到底值多少錢……這就是在電影開機之前最為重要的環節:票房預測。

華爾街不僅給好萊塢帶來了密集的資金支持，也帶來了理性的金融工程技術，後者好像一把衡量藝術的尺子。一位浸淫於電影行業的金融人士一語中的:"在這個行業里充斥著曖昧不清、晦暗不明，有真正的藝術家、也有忽悠的吹水者，但到底怎麼判斷是否能合作，項目是否有投資價值，全憑經驗"。

如何預測
早在80年代，美國票房收入預測的先驅BarryLitman對美國80年代近700部電影進行分析推出票房收入預測模型。該系統對之後美國電影投資界產生了顛覆性的影響。電影票房預測系統能分析預測不同種類電影的票房價值，已經成為國際電影產業投融資的重要參考工具，對電影產品定價及衍生產品開發都具有較強的指導作用。

預測系統
電影票房量化分析及預測系統(Box Revenue Prediction)是在考察導演、主要演員、製片、發行及市場營銷、電影生命周期、電影類型、發行地區等影響電影票房的諸多因素基礎上，基於資產定價模型，綜合採用金融工程和回歸統計分析方法研發出的預測系統。它能分析預測不同種類電影的票房價值，成為電影產業投融資重要參考工具，對電影產品定價及衍生產品開發都具有較強的指導作用。

中國第一套BRP系統

2012年1月，中影集團聯合艾億新融資本推出了國內第一套基於電影票房預測的估值與定價分析系統--BRP系統。通過對過去4年中600多部影片的統計分析，該BRP系統發現了6條有趣的現象:

·低成本的影片一般會比大片更賣座

·無名小卒主演的影片要比明星主演的影片利潤率更高

·類型的藝術特徵跟利潤之間不存在直接關聯，但評論的多寡(無論好評或者劣評)跟利潤之間有密切關系

·不含暴力、色情成分的家庭影片最容易賺錢

·大片的續集要比普通新片更容易賺錢

·明星在為影片帶來更高票房的同時，也往往拉低了利潤率，因為大部分收入進了明星的口袋

『拾』 電影票房問題

柯南450萬左右把，喜洋洋新的還沒上映呢，去年的是8000萬
=========================

片名：喜迅雹羊羊與灰太狼之虎虎生威
原名：喜羊羊與灰太狼之虎膽羊威
製作： 廣東原創動力文化傳枯坦播有限公司
全國公映日期：2010年1月29日
開拍：2009年8月
影片類型：動畫賀歲電影
主題曲演唱者：周筆暢沒昌桐
-----------------------
你自個看吧，今天才上映的