[エッセイ]映画の予測は難しいよって話

はじめに

どうも、元広告代理店のデータサイエンティストだった者です。
今回はちょっと趣向を変えて、エッセイ風にお届けします。

2019年ごろの話
まだその当時は広告代理店で仕事をしていて、データサイエンス関連の業務をしていました。

そんな時、他部署からの依頼を同僚が受けて、一緒に案件を回すことになったのが「映画の興行収入」を予測したい、というものでした。

何せ自分、年間50本くらいは映画館に鑑賞しに行くくらい映画好き

加えて、その頃「Netflixのチーム」が仮説検証し作品作りやレコメンドなどにデータを活用している事例を見ていたので、めちゃくちゃ興味湧いたの覚えてます。

そんな当時の仕事の内容をお話しできればと思います。

予測モデルって何?

映画の興行収入を当てに行くには「予測モデル」というものを作る必要がありました。

予測モデルと言うのは簡単に言うと、スンゴイでかいプログラムです！！

もう少し真面目に説明すると、過去の様々なデータを学習して一定のルールを構築し、未来の数値や事象を推定する仕組みのことです。

色々なデータを学習させて予測モデルを作ると、条件としてのデータを入力すると結果として予測したい内容が出てくる、と言うことになります。

英語でそれっぽく「MoviePerformancePrediction」と名付けました。

予測モデル自体はその当時の海外の論文を同僚が見つけていたので、その内容を参考にして作りました。

予測モデルって何で作られているの?

世間一般でいう、機械学習の分野に該当するもので、プログラム言語の選択肢は幾つか存在しますが、メインの言語をPython、予測UI側をJSで作ることとしました。

予測モデルってどう作るの?

こういった、何かを予測するモデルを作る際には、一般的には次のような作業ステップを踏むことになります。

1.データを集める
2.データを検証・調査する
3.データを取捨選択する
4.データを整形・加工する
5.学習データと検証データに分ける
6.予測モデルの学習をする
7.予測モデルの精度検証
8.予測システムの実装

順番に見てきましょう。

1.データを集める

ここでは2系統のデータを使用しました。
1つ目は映画館や興行収入に関わるデータ
2つ目は映画の出演者などのデータ

1つ目のデータは、まるで「大正時代のWEBサイトかっ！！」
って言うような所に有り、まあまあ取ってくるのは大変
でも、自分の獲れないデータなんて無いんで
データ取得プログラムを作成して、ファイルを取得しました。

2つ目のデータはその映画に、誰が出て、監督が誰で、のような
演者に関わるものです。
これに関しては最初はWikipediaから取ろうと思いましたが
いい感じにまとまっている所が在ったので、そこから取ってます。

両方ともCSVという形式のファイルに落とし込むことになります。

2.データを検証・調査する

データが手に入ったら、どうやったら活用できるかの検証作業です。
作成当時はおよそ20年分くらいのデータが手に入っていて、その時の興行収入No1の映画が2001年公開の「千と千尋の神隠し」でした。

今はこの記録も抜かれていて2026年現在の記録は
劇場版「鬼滅の刃」無限列車編 : 407億
劇場版「鬼滅の刃」無限城編 第一章 猗窩座再来 : 402億
となっています、当時は「千と千尋の神隠し」を超えるものは流石に無いだろうと思ってたのが、後々抜かれたのはびっくりしました。

余談ですが原作を知らずに見にいって「猗窩座」が勝ったので感動してしまいました。それ以降「猗窩座」ファンなのは置いておいて…

大体手に入ったのは数千本くらいのデータです。
データを眺めていて思ったのは、実感と結構乖離があった事でした。

自分はディズニーは好きだけど最近の「アラジン」とかは見ていなくて、同僚の女の子に聞いたら皆んな見てる、みたいな事があり、自分に興味がないから売れてないだろうと思った映画が、データ上は凄く違っている、というのが多々ありました。

まあ、アクション映画ばかり好んで見ていたのでしょうがないんですがね。
こういった偏見、確証バイアスは良くないなーと思って反省しました。

この時点で分かったこととしては、日本人は
「洋画より、普通に、アニメが好きー」
ってこと。

現在の日本の映画の興行収入TOP10はこうなっています。

01	劇場版「鬼滅の刃」無限列車編	407億	2020/10/16
02	劇場版「鬼滅の刃」無限城編 第一章 猗窩座再来	402億	2025/07/18
03	千と千尋の神隠し	316億	2001/07/20
04	タイタニック	277億	1997/12/20	 
05	アナと雪の女王	255億	2014/03/14	 
06	君の名は。	251億	2016/08/26
07	もののけ姫	214億	1997/07/12
08	国宝	207億	2025/06/06
09	ONE PIECE FILM RED	203億	2022/08/06
10	ハリー・ポッターと賢者の石	203億	2001/12/01	

10本中7本がアニメです。TOP3は全部アニメ。
こんな国、日本しかないんじゃないかと思います。
この歪さが興行収入予測の難しさにも表れていました。

3.データを取捨選択する

次は、データの中から、予測に使えるものを探す作業です。
今回はとりあえず使えるものは全部入れてみよう、でした。

映画館や興行収入に関わるのが20種類くらい
映画の演者に関わるものが10種類くらい

予測モデルに反映してもあまり精度が良くない場合は削るし
足りなければ追加する、というのがここの工程になります。

4.データを整形・加工する

データの加工ですが、複数のファイルのデータを１つに連結して機械学習の学習に使えるデータにしないといけません。

ここで連結するのに苦労しました。
色々な文字化け、変な空白など、不整合の塊のようなデータです。
これらを取り除いて綺麗なデータに加工するプログラムを書きました。

また、色々調べていく中で、同じ名前の映画が何本か存在しているため、映画名でデータをくっつけるとうまくいかない、というのがありました。

2009年に大ヒットしジェームズ・キャメロン監督の作品に「アバター」というのがあります。これは全世界興行ランキング一位の成績を誇っています。

殺意を覚えたのが、実はこれと同名の映画が存在していて、このクソ映画のせいで、データに不整合が生じてしまい、なーんか上手くいかなかったんです。どこのバカが作ったんだコレと思ってました。

便乗を狙ったクソ映画というものがこの世には何本か存在するようでしたが、最終的には「2009:アバター」のように年度をつけることで解決できました。

このようにデータを綺麗に繋げて1映画1行になるようにデータを作ります。

5.学習データと検証データに分ける

ここも一般的な機械学習の手法では分け方も何通りかありますが、一番オーソドックスなやり方で、学習データ7 : 検証データ3 に分けました。

6.予測モデルの学習をする

前の工程で分けた学習データを用いていよいよ「予測モデル」の作成です。
ここではアルゴリズムとして、当時流行っていた「XGBoost」を使うこととしました。

これは決定木ベースの勾配ブースティング・アンサンブル学習アルゴリズムで、簡単に言うと「すんげー精度が良いべ!! 」っていうアルゴリズムです。

Python言語であれば、比較的実装は簡単です。
大体これを使えば良いねってなります。

データ量も多くはないので、学習自体はすぐに終わります。
学習を終えると「予測モデル」が出来上がります。

7.予測モデルの精度検証

出来上がった予測モデルを用いて、残しておいたテストデータに対して精度検証を行います。

予測モデルでは、興行収入を9段階のカテゴリに分け、そのカテゴリを当てに行くという手法を取りました。

例えば5億円くらいの興行収入ならカテゴリ5 みたいなイメージです。
実際の映画のカテゴリと、予測したカテゴリが合えば正解
これを数千件で行い、正解の件数を数える感じです。

そうすると、精度がX%のように出ます。

8.予測システムの実装

出来上がった「予測モデル」が使えそうな場合、一般的にはこれを社会実装、システム化をする工程に移ります。

予測モデル自体はファイル化しておき、これを呼び出してデータを入力して予測結果、推論を行えるものを作る工程です。

ここではUIから予測に必要な項目を選択していくと
予測結果が出るUIをPythonのFlaskというものと、Javascriptなどで作成しました。これをAWSなどのサーバー上に乗っけて動かせば、予測用のURLにアクセスすれば予測が誰でも行えるようになります。

予測モデル作りの大体の工程はこんな感じになってきます。
世の中のシステムの裏側では、様々な機械学習モデルが稼働していて
知らぬ間に学習、推論が行われているんです。
あなたが買ったその本も、見た動画の内容も、全部使われています。

予測の先に待っていたもの

なんのためにこんなことをしているかというと、映画はかなりギャンブル性が高くて、ヒットするしないが事前に分かるのだったら、ヒットしない条件の映画にはお金を出さない、という選択肢を取れます。

投資対効果を最大化させるのが目的です。

一応予測モデルっぽいものは作れたので、色々遊んでみることにしました。

実はヒットの要因は脚本だった

予測モデルには映画の演者のデータも入れるようにしており、予測時にも演者のデータを選んで予測するようにしていました。

この予測にモデルでは、どのデータが予測に寄与しているのかという
寄与率を出す事ができます。
この寄与率を見たら

脚本家 > 監督 > 主演

という結果になっていました。
つまり、良い映画 = 興行収益の高い映画 という仮定では
誰が出ているのかよりも、誰が監督しているか、の方が強く
誰が監督しているかよりも、誰が脚本を書いているか、の方が強い

監督より、脚本が良い方が、映画がヒットする確率が高い
良い脚本の映画がヒットに繋がると推定しました。

最高の映画はどのような条件か

予測モデルができたら、色々妄想できちゃうわけで
主演:木村拓哉
監督:宮崎駿
だったらどうなるか、とか色んな人を選んで結果を出す事ができます。

その中で最高の組み合わせは

主演:神木隆之介
監督:新海誠

でした。なーんか、この名前の出てくる映画見た事あるなー
何て名だっけ….

そう、このモデル、精度はあまり良くはないです。
お察しレベル。

監督や主演を選ぶと、その過去作の平均値が算出され、それを元にモデリングしているので、1本大ヒットしてしまうと、やはりそれに引っ張られてもしまう。

当時あまり時間がなくて、様々なモデル作りを試せなかったのですが
脚本 x 監督 x 主演 の組み合わせで映画のヒットが決まるのは間違いではないと思います。

実務では

この予測モデルが出来たのは2019年の12月頃だったと記憶しています。
そこから色々使ってもらって、様々な調整が出来たら、どんどん良くなるんじゃないか、そう思っていました。

そしたら2020年、奴が上陸です。
そう「コロナ」です。

こいつが猛威を振るったせいで、興行収入予測は大外れ
自粛ムードの際は、映画館に行く人も減り、この事象を学習では考慮していないので当たる訳がなくなりました。
当たらないものを使う必要もないですよね…

終了~~~~~,ちーん…

逆めでたくプロジェクトは終了となりました。

そもそも困難である

映画の興行収入を当てる難しさの一つに「外れ値」が多いという特徴があります。例えば、新海誠監督作品を見ると

『雲のむこう、約束の場所』（2004年公開）：約0.1億円
『秒速5センチメートル』（2007年公開）：約1億円
『星を追う子ども』（2011年公開）：約0.2億円
『言の葉の庭』（2013年公開）：約1.5億円

となっていてこの次に発表された
『君の名は。』（2016年公開）は 約250.3億円 の興行収入です。
こんなん誰が予測できるでしょうか?

邦画の大半は5億円程度の興行収入だと思います。
また1000本のうち950本くらいは、存在も知られていない
ほとんどの人に見られていない作品も沢山ある。

その中で、年に数本だけメガヒットが出る
これは当てに行くのは至難の技です。

ただし、予測モデルがある程度の精度が出るならば
ヒットする傾向だけは掴む事ができます。

とりあえず日本では、見た目は子供、頭脳は大人な少年が暴れて街を破壊するアニメ作品シリーズをバンバン出すか、レインボーブリッジは封鎖して、大怪獣と鬼を暴れさせて、隕石でも落としておけば良いでしょう。

主演は絶対「神木隆之介」くんで!!!
あとは脚本が神がかってさえいれば大ヒット間違いなしです。

終わりに

こういった仕事をしていたので、映画を見る目も少しだけ変わってしまいました。

誰が出ているかよりも、どれだけ脚本が面白いかを重視してみるようになりました。もともと薄々は感じてはいたものの、それがデータで現れたのは意外でもあり、良い気づきでした。

自身の最高の映画である
ヒート (1995年)
これを超える映画が無いものかという長い旅をしています。

最近見た映画の中では、意外性があり面白いものがあったので、紹介したいです。

インビジブル・ゲスト　悪魔の証明
劇場公開日：2017年3月25日

主演の人は初めて見たものの、そのストーリー、構成、展開
途中色々伏線があり、それに気付いたらちょっと感動してしまいました。
「脚本が映画の面白さを決める」というものの証明です。
スリラー好きな方がいたら、なかなか楽しめると思います。

どうやったら映画がヒットするか、誰をキャスティングするか
さらに興行収入を伸ばすためにはどう広告打つか

配給・映画館・映画制作など、様々な現場でデータ活用の提案出来ると思います。もし興味あればお声がけください。