[논문]개봉 전후 트윗 개수의 증감률과 영화 매출간의 상관관계

박지윤; 유인혁; 강성우

doi:10.12812/ksms.2017.19.4.169

개봉 전후 트윗 개수의 증감률과 영화 매출간의 상관관계
A Study of Correlation Analysis between Increase / Decrease Rate of Tweets Before and After Opening and a Box Office Gross 원문보기

대한안전경영과학회지 = Journal of the Korea safety management & science, v.19 no.4, 2017년, pp.169 - 182

박지윤 (인하대학교 산업공학과) , 유인혁 (인하대학교 산업공학과) , 강성우 (인하대학교 산업공학과)

Abstract ▼ AI-Helper

Predicting a box office gross in the film industry is an important goal. Many works have analyzed the elements of a film making. Previous studies have suggested several methods for predicting box office such as a model for distinguishing people's reactions by using a sentiment analysis, a study on the period of influence of word-of-mouth effect through SNS. These works discover that a word of mouth (WOM) effect through SNS influences customers' choice of movies. Therefore, this study analyzes correlations between a box office gross and a ratio of people reaction to a certain movie by extracting their feedback on the film from before and after of the film opening. In this work, people's reactions to the movie are categorized into positive, neutral, and negative opinions by employing sentiment analysis. In order to proceed the research analyses in this work, North American tweets are collected between March 2011 and August 2012. There is no correlation for each analysis that has been conducted in this work, hereby rate of tweets before and after opening of movies does not have relationship between a box office gross.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 영화의 매출과 개봉 전후의 트윗 개수증감률과의 상관성을 살펴보았다. 구체적으로, 영화 매출에 SNS에서 나타난 사람들의 반응이 영향이 있음을 파악하고 그 증감률이 매출과 상관관계가 있는지 연구하였다. 이러한 연구의 목적을 달성하기 위해 먼저 영화 흥행 성과의 대부분이 개봉 후 3주 이내에 결정된다는 연구 결과에 따라 (Kwon, 2014) 사람들의 반응 변화 비율이 이를 따르는 지를 파악하였다.
이때, 개봉일을 기준으로 개봉 전과 개봉 3주 후까지의 증감률, 개봉 전부터 폐막까지의 증감률을 따로 계산한다. 그 후, 각각의 증감률과 영화 매출 간의 상관관계가 있는지 파악한다.
본 연구의 주된 목적은 영화 개봉 전 사람들의 반응에 비해 개봉 후 사람들의 반응 변화의 비율이 매출과의 상관관계가 있는지 파악하는 데 있다. 또한, 본 연구는 영화 흥행 성과의 대부분이 개봉 후 3주 이내에 결정된다는 연구 결과에 따라 (Kwon, 2014) 사람들의 반응 변화 비율이 이를 따르는지를 파악한다. 단순한 변화가 아닌 변화 비율을 파악하면, 그 변화 추이를 파악할 수 있다.
본 논문에서는 미국 내 흥행 수입과 감성 분석 (sentiment analysis)을 통해 특정 영화와 관련된 트윗 개수의 증감률과 매출과의 상관관계를 탐색한다. 언급한 연구 문제1과 2를 확인해보고, 이를 확장해 전체적인 반응만이 아닌 각 개인의 감정이 긍정적인지, 부정적인지를 판별하여 이런 반응들의 변화가 영화 매출과 상관관계가 있는지를 확인하고자 하는 연구 문제3을 진행한다.
본 논문은 소셜 미디어에서 eWOM을 효율적으로 활용하는 데 초점을 둔다. 특히, 트위터의 실제 사용자가 만든 엄청난 문자 데이터(eWOM 등)를 다루며, 약 10억 개의 트윗으로부터 42,590개의 트윗을 추출하여 사용한다.
본 연구는 트윗 개수의 증감률과 영화 매출 간의 상관관계를 파악한다. 또한, 사전 기반 감성 분석 (lexicon based sentiment analysis)을 사용하여 트윗이 긍정적인지 부정적인지를 판별한 후, 긍정적인 트윗 개수의 증감률과 부정적인 트윗 개수의 증감률 각각이 영화 매출과의 상관관계가 있는지를 확인한다.
본 연구에서는 SNS 데이터를 이용하여 단순한 반응이 아닌 개봉 전후의 반응 변화를 나타내는 증감률과 영화 매출과의 상관성을 확인한다. 그 중, 세계에서 가장 인기 있는 SNS 중 하나인 ‘트위터’를 이용하여 특정 영화와 관련된 사람들의 의견이 그 영화 흥행에 얼마나 영향을 미치는가를 파악한다.
본 연구에서는 영화의 매출과 개봉 전후의 트윗 개수증감률과의 상관성을 살펴보았다. 구체적으로, 영화 매출에 SNS에서 나타난 사람들의 반응이 영향이 있음을 파악하고 그 증감률이 매출과 상관관계가 있는지 연구하였다.
본 연구의 주된 목적은 영화 개봉 전 사람들의 반응에 비해 개봉 후 사람들의 반응 변화의 비율이 매출과의 상관관계가 있는지 파악하는 데 있다. 또한, 본 연구는 영화 흥행 성과의 대부분이 개봉 후 3주 이내에 결정된다는 연구 결과에 따라 (Kwon, 2014) 사람들의 반응 변화 비율이 이를 따르는지를 파악한다.
사전 연구에서 밝힌 영화 흥행에 개봉 후 3주까지가 가장 영향을 많이 끼친다는 연구를 고려하여 (Kwon, 2014) 개봉 전과 개봉 후 3주까지의 트윗 개수의 증감률이 총 매출 과의 상관성을 확인해보고자 한다. 이때의 가설은 다음과 같다.
이 분야에서는 기존의 박스 오피스를 예측하는 모델과 감성 분석 방법을 사용하여 박스 오피스 매출을 예측하는 최근 연구들, SNS 구전 효과가 영화에 영향을 미치는 기간에 관한 연구들을 다루고자 한다.
언급한 연구 문제1과 2를 확인해보고, 이를 확장해 전체적인 반응만이 아닌 각 개인의 감정이 긍정적인지, 부정적인지를 판별하여 이런 반응들의 변화가 영화 매출과 상관관계가 있는지를 확인하고자 하는 연구 문제3을 진행한다. 이 연구는 2011년 3월부터 2012년 8월 사이에 수집된 북미 지역 트윗을 수집하여 그 중 무작위로 선정된 10편의 영화와 관련된 트윗을 추출해 개봉 전후의 증감률과 매출의 관계를 분석하고 그 관계의 의미를 파악한다.
상관계수는 –1~1 사이의 값을 갖게 되는데, 상관계수의 절댓값이 1에 가까워질수록 선형적 상관관계가 있다고 이야기할 수 있다. 이 연구에서는 특정 영화를 언급한 개봉 전후의 트윗 개수 증감률이 영화의 총 매출과 어느 정도의 선형적 상관관계가 있는지를 확인하고자 상관 분석을 하였다.
최근 많은 분야에서 SNS를 통한 의견을 분석하고 이를 활용하여 마케팅 전략을 내세우기 위해 연구한다. Litman 외 1인은 개봉 전에는 전문가의 비평이 더 중요하나, 개봉 이후에는 일반인들의 구전 효과가 영화를 선택할 때에 있어 더 많은 영향을 미친다고 한다 (Litman & Kohl, 1989).

가설 설정

- H₀ : 총 매출/ 개봉 전후 총 트윗의 증감률은 정규분포를 따른다
- H0 : 개봉 전후의 긍정적인 트윗 개수의 증감률과 총 매출은 특정한 선형관계가 없다.
- H0 : 개봉 전후의 부정적인 트윗 개수의 증감률과총 매출은 특정한 선형관계가 없다.
- H₀: 개봉 전과 개봉 후 3주까지 트윗 개수의 증감률과 총 매출은 특정한 선형관계가 없다. (r=0)
- H₁ : 개봉 전후의 부정적인 트윗 개수의 증감률과 총 매출은 특정한 선형관계가 있다. (r≠0)
- H₁: 개봉 전과 개봉 후 3주까지 트윗 개수의 증감률과 총 매출은 특정한 선형관계가 있다. (r≠0)
- H₁: 총 매출/ 개봉 전후 총 트윗의 증감률은 정규분포를 따르지 않는다.

제안 방법

트윗을 수집한 후, 특정 영화에 따른 트윗을 구분하여 각 영화에 따라 데이터셋을 만든다. 각각의 데이터셋을 정제하고, 사전 기반 감성 분석(lexicon based sentiment analysis)을 이용하여 트윗별 강도를 부여한다. 이를 총 트윗, 긍정적인 트윗, 부정적인 트윗 각각의 경우에 대해서 날짜별 빈도수로 정리한 후, 개봉 전후의 증감률을 계산한다.
특히, 트위터의 실제 사용자가 만든 엄청난 문자 데이터(eWOM 등)를 다루며, 약 10억 개의 트윗으로부터 42,590개의 트윗을 추출하여 사용한다. 거대한 비정형 데이터에서 원하고자 하는 트윗을 검색하기 위해 영화의 이름과 해시태그를 사용하며, 분리된 트윗에 대한 정확성을 검증한다. 그런 다음 분석하고자 하는 트윗에 대해 감성 분석이 수행되고 그 트윗의 개봉 전후 증감률과 박스 오피스의 매출 간의 상관관계를 분석한다.
그 중, 세계에서 가장 인기 있는 SNS 중 하나인 ‘트위터’를 이용하여 특정 영화와 관련된 사람들의 의견이 그 영화 흥행에 얼마나 영향을 미치는가를 파악한다.
이러한 연구의 목적을 달성하기 위해 먼저 영화 흥행 성과의 대부분이 개봉 후 3주 이내에 결정된다는 연구 결과에 따라 (Kwon, 2014) 사람들의 반응 변화 비율이 이를 따르는 지를 파악하였다. 그 후 공식 영화 편이 나온 후부터 개봉 전까지, 개봉 후부터 폐막까지의 트윗 증감률을 전체, 긍정, 부정적인 부분으로 나누어 매출과의 상관성을 파악하는 실험을 진행하였다.
거대한 비정형 데이터에서 원하고자 하는 트윗을 검색하기 위해 영화의 이름과 해시태그를 사용하며, 분리된 트윗에 대한 정확성을 검증한다. 그런 다음 분석하고자 하는 트윗에 대해 감성 분석이 수행되고 그 트윗의 개봉 전후 증감률과 박스 오피스의 매출 간의 상관관계를 분석한다.
위의 결과에 개봉 전후의 총 트윗 개수 증감률은 큰 관계가 없음을 확인했다. 그렇다면, 감성 분석(sentiment analysis)을 통해 구분한 긍정적인 트윗과 부정적인 트윗을 이용하여 각각의 트윗 개수 증감률이 총 매출과 관련이 있는가를 확인해보고자 먼저 긍정적인 트윗에 대하여 다음과 같은 가설을 세우고, 검정을 실시해보았다.
본 연구는 사용자가 기분이나 감정을 표현한 트윗을 수집하는 것으로 시작한다. 대량의 트윗 데이터로부터 영화의 이름과 해시 태그(Hashtag)를 이용하여 영화와 관련된 트윗을 추출한다. 해시 태그(Hashtag)는 공식 트위터 계정에서 가져온다.
본 연구는 트윗 개수의 증감률과 영화 매출 간의 상관관계를 파악한다. 또한, 사전 기반 감성 분석 (lexicon based sentiment analysis)을 사용하여 트윗이 긍정적인지 부정적인지를 판별한 후, 긍정적인 트윗 개수의 증감률과 부정적인 트윗 개수의 증감률 각각이 영화 매출과의 상관관계가 있는지를 확인한다. 이 연구의 전반적인 분석 과정은 다음 [Fig.
먼저, 총 데이터 10개에서 종속변수는 개봉 전후 트윗 개수의 증감률로, 목표변수는 총매출액으로 하여 그 상관관계를 알아보고자 한다. 총 데이터 수는 10개로, 같은 확률분포를 가진 독립확률변수 n개의 평균의 분포가 n이 적당히 크다면 정규분포에 가까워진다는 중심극한정리를 가정할 수 없으므로, 정규성 검정을 하여야 한다.
따라서 분리된 데이터는 쓸모없는 의견으로 구성될 수 있다. 분리된 데이터에 쓸모없는 의견이 있는지 확인하기 위해 샘플 데이터를 추출하여 유효성 검사를 수행하고자 한다. 이 방법은 대용량 데이터를 처리하기 때문에 모든 트윗에 적용하지 않는다.
그 중, 세계에서 가장 인기 있는 SNS 중 하나인 ‘트위터’를 이용하여 특정 영화와 관련된 사람들의 의견이 그 영화 흥행에 얼마나 영향을 미치는가를 파악한다. 이때, 영화 흥행이 개봉 후 3주 안에 결정된다는 연구 결과에 따라 개봉 후 3주라는 기간과 개봉 전의 트윗 증감률이 흥행과 관련이 있는지를 먼저 파악하였다. 본 논문에서 파악한 문제는 다음과 같다.
구체적으로, 영화 매출에 SNS에서 나타난 사람들의 반응이 영향이 있음을 파악하고 그 증감률이 매출과 상관관계가 있는지 연구하였다. 이러한 연구의 목적을 달성하기 위해 먼저 영화 흥행 성과의 대부분이 개봉 후 3주 이내에 결정된다는 연구 결과에 따라 (Kwon, 2014) 사람들의 반응 변화 비율이 이를 따르는 지를 파악하였다. 그 후 공식 영화 편이 나온 후부터 개봉 전까지, 개봉 후부터 폐막까지의 트윗 증감률을 전체, 긍정, 부정적인 부분으로 나누어 매출과의 상관성을 파악하는 실험을 진행하였다.
각각의 데이터셋을 정제하고, 사전 기반 감성 분석(lexicon based sentiment analysis)을 이용하여 트윗별 강도를 부여한다. 이를 총 트윗, 긍정적인 트윗, 부정적인 트윗 각각의 경우에 대해서 날짜별 빈도수로 정리한 후, 개봉 전후의 증감률을 계산한다. 이때, 개봉일을 기준으로 개봉 전과 개봉 3주 후까지의 증감률, 개봉 전부터 폐막까지의 증감률을 따로 계산한다.
트윗을 수집한 후, 특정 영화에 따른 트윗을 구분하여 각 영화에 따라 데이터셋을 만든다. 각각의 데이터셋을 정제하고, 사전 기반 감성 분석(lexicon based sentiment analysis)을 이용하여 트윗별 강도를 부여한다.

대상 데이터

‘Battleship’은 2011년 12월 12일에 공식 영화예고편을 공개하고, 2012년 5월 18일에 개봉하였다.
03~2012. 09까지 북미 지역의 총 1,237,454,287개의 트윗을 수집한다. 트윗은 JSON (Ja-vaScript Object Notation) 형식으로 저장된다.
Boxofficemojo 는 가장 큰 온라인 박스 오피스웹 사이트 중 하나이다. 영화 공식 예고편의 경우, youtube 공식 영화 계정에서 가져왔으며, 해시 태그는 영화사에서 공표한 공식 해시 태그를 기준으로 수집하였다. 실험을 위하여 무작위로 선정된 영화와 해당 공식 해시 태그는 [Table.
이 과정에서 생성 날짜, 해시 태그, ID와 게시글 내용은 유지된다. 위에서 밝힌 기간 내에 발표된 영화 중 무작위로 10개를 선정 후, 흥행 수입과 폐막일과 같은 영화 정보는 boxofficemojo.com에서 수집하였다. Boxofficemojo 는 가장 큰 온라인 박스 오피스웹 사이트 중 하나이다.
본 논문은 소셜 미디어에서 eWOM을 효율적으로 활용하는 데 초점을 둔다. 특히, 트위터의 실제 사용자가 만든 엄청난 문자 데이터(eWOM 등)를 다루며, 약 10억 개의 트윗으로부터 42,590개의 트윗을 추출하여 사용한다. 거대한 비정형 데이터에서 원하고자 하는 트윗을 검색하기 위해 영화의 이름과 해시태그를 사용하며, 분리된 트윗에 대한 정확성을 검증한다.

데이터처리

본 연구의 결과를 요약하면 다음과 같다. 먼저 10편의 영화에 대한 트윗과 매출의 분포가 정규성을 따르는지 확인 후, 정규분포를 따르지 않음을 파악하여 비모수통계 스피어만 순위상관계수(Spearman Rank Correlation Coefficient)를 이용하였다. 개봉 전과 개봉 후 3주까지의 트윗 증감률과 매출과의 상관관계를 살펴본 결과 증감률과 매출 간의 상관성은 없음을 파악할 수 있었다.
앞에서 확인한 결과에 의해, 개봉 전후 트윗 개수 증감률, 총 매출은 정규성을 만족하지 못하므로, 비모수통계 스피어만 순위상관계수(Spearman Rank Correlation Coefficient)를 이용하여 상관관계가 있는지 확인하였다. Spearman Rank Correlation Coefficient는 다음과 같은 식을 가지며, 주로 표본 집단이 정규성을 만족하지 못하는 경우, 혹은 목표 변수가 순위 형태의 값을 지닐 때 상관관계를 보기 위하여 사용된다.
이론적으로 10개의 총 매출과 개봉 전후 총 트윗의 증감률이 각각 정규분포를 따르는지를 판별하기 위해 ‘Shapiro-Wilk nor-mality test’를 사용하였다.
해당 영화들의 트위터에 적혀 있는 내용은 VADER 사전을 이용하여 감성 분석을 하였다. 그 후, 감성 강도가 –1~-0.

이론/모형

VADER는 –1 (매우 부정)에서 +1(매우 긍정) 사이의 감성 점수를 반환한다. 본 논문은 VADER를 활용하여 트윗의 감성을 분석한다. 트윗에는 일반적으로 사용되는 이모티콘, 약어와 속어 같은 SNS의 특정 문자가 있다.
본 연구에서는 VADER 사전을 사용한다. VADER 사전은 소셜 미디어 서비스에 게시되는 이모티콘 또는 약어의 감성을 파악한다 (Hutto & Gilbert, 2014).

성능/효과

가설검정 결과를 살펴보면, p-value가 0.7588로 귀 무가설을 기각하지 못하며, 스피어만 순위상관계수가 약 –0.1152로 선형적 상관관계가 없음을 확인할 수 있다.
먼저 10편의 영화에 대한 트윗과 매출의 분포가 정규성을 따르는지 확인 후, 정규분포를 따르지 않음을 파악하여 비모수통계 스피어만 순위상관계수(Spearman Rank Correlation Coefficient)를 이용하였다. 개봉 전과 개봉 후 3주까지의 트윗 증감률과 매출과의 상관관계를 살펴본 결과 증감률과 매출 간의 상관성은 없음을 파악할 수 있었다. 이 연구 결과는 영화 흥행 성과에서 개봉 전후로의 반응변화 비율은 매출에 큰 영향을 받지 않는다는 점을 말해준다.
그러므로, spearman 순위상관계수를 이용하여 검정한 결과, p-value는 0.8432로 귀무가설을 기각하지 못하며, 상관계수는 약 –0.0833으로 선형적 상관관계가 없음을 확인할 수 있다.
그러므로, spearman 순위상관계수를 이용하여 검정한 결과, p-value는 0.8916으로 귀무 가설을 기각하지 못하며, 상관계수는 약 –0.05454으로 선형적 상관관계가 없음을 확인할 수 있다.
또한, 감성 분석(sentiment analysis)을 통해 전체적인 트윗 증감률이 아닌, 긍정적인 반응과 부정적인 반응으로 나누어 각각의 경우, 개봉 전후로의 증감률과 매출과의 상관성이 없음을 확인하였다. 따라서 긍정적 혹은 부정적인 감정을 나타내는 반응들의 변화 비율 또한 매출과 상관관계가 없음을 파악하였고, 이는 특정 영화에 관한 사람들의 반응 변화 비율이 영화 흥행에 영향을 미치지 않는다고 할 수 있다.
또한, 감성 분석(sentiment analysis)을 통해 전체적인 트윗 증감률이 아닌, 긍정적인 반응과 부정적인 반응으로 나누어 각각의 경우, 개봉 전후로의 증감률과 매출과의 상관성이 없음을 확인하였다. 따라서 긍정적 혹은 부정적인 감정을 나타내는 반응들의 변화 비율 또한 매출과 상관관계가 없음을 파악하였고, 이는 특정 영화에 관한 사람들의 반응 변화 비율이 영화 흥행에 영향을 미치지 않는다고 할 수 있다.
위의 결과에 개봉 전후의 총 트윗 개수 증감률은 큰 관계가 없음을 확인했다. 그렇다면, 감성 분석(sentiment analysis)을 통해 구분한 긍정적인 트윗과 부정적인 트윗을 이용하여 각각의 트윗 개수 증감률이 총 매출과 관련이 있는가를 확인해보고자 먼저 긍정적인 트윗에 대하여 다음과 같은 가설을 세우고, 검정을 실시해보았다.
개봉 전과 개봉 후 3주까지의 트윗 증감률과 매출과의 상관관계를 살펴본 결과 증감률과 매출 간의 상관성은 없음을 파악할 수 있었다. 이 연구 결과는 영화 흥행 성과에서 개봉 전후로의 반응변화 비율은 매출에 큰 영향을 받지 않는다는 점을 말해준다. 이후 이 연구를 확장하여, 개봉일을 기준으로 개봉 전과 개봉 후 폐막일까지의 트윗 증감률과 매출의 상관성을 확인했고, 이 또한 상관성이 없음을 파악하였다.
영화에 대한 리뷰는 영화 출시부터 폐막까지 기간에 대한 흥행과 상관이 있지만, 초기 판매와는 강한 상관관계가 없다 (Eliashberg & Shugan, 1997). 이 연구에서 WOM은 심지어 비평가보다 더 많은 흥행에 영향을 미친다는 사실이 밝혀졌다. WOM은 제품이나 서비스에 관심이 있는 개인이나 조직이 정보를 전달하기 때문에 새로운 제품이나 서비스를 구매할 때 가장 믿을 만한 정보 중 하나이다 (Katz & Lazarsfeld, 1955; Y.
정재엽 외 1인의 연구에서 트위터에서 언급된 영화에 대한 호감도는 개봉 후 2~3주에 관람한 관람객들의 경우가 가장 높았다 (Jeong & Kim, 2016). 이 연구에서 개봉 후 2~3주 후에 관람한 사람들이 구전의 대상이 되는 영화에 가장 많은 호감을 느끼고 있으며 가장 많은 영향을 받고 있음을 보여준다. 또한, 초기에 관람하는 소비자들이 구전 확산 의도가 높은 만큼 영화의 초기 평가가 매우 중요하다는 점을 시사한다 (Jeong & Kim, 2016).
2015년 4월, CGV리서치 센터에서 발표한 빅데이터 분석을 통한 영화 흥행에 대한 보고서에서는 한국 영화 흥행의 결정적 요소가 구전효과 (WOM: Word Of Mouth)이며, 그중 SNS (Social Network Services)를 통한 구전 효과의 영향력이 중요하다고 밝혔다 (CGV research center, 2014). 이로써 SNS 구전 효과가 영화 흥행에 영향을 미치며, 개봉 후 약 3주 정도까지 크게 영화에 영향력이 있음을 파악할 수 있다.
이 연구 결과는 영화 흥행 성과에서 개봉 전후로의 반응변화 비율은 매출에 큰 영향을 받지 않는다는 점을 말해준다. 이후 이 연구를 확장하여, 개봉일을 기준으로 개봉 전과 개봉 후 폐막일까지의 트윗 증감률과 매출의 상관성을 확인했고, 이 또한 상관성이 없음을 파악하였다. 이는 사람들의 영화 개봉 전후로 반응 변화 비율은 매출에 큰 영향이 없음을 다시 한 번 입증하며, 개봉 후 상영 기간 동안 이 SNS 반응 변화 추이만으로 마케팅 전략을 바꿀 필요가 없음을 나타낸다.

후속연구

추후에는 더 넓은 계층을 대상으로 연구할 방안을 모색해보아야 한다. 둘째, 연구한 영화의 개수가 적었다는 한계가 있을 수 있다. 본 연구에서는 총 10편의 영화에 대한 트윗을 이용하여 연구를 진행하였지만, 영화의 개수를 좀 더 늘린다면 더욱 정확한 결과가 나올 가능성이 있다.
SO(Semantic Orientation)는 주어진 문서의 감성을 결정하는 감성의 극성 (sentiment polarity)과 감성을 점수화한 감성 강도 (sentiment intensity)를 나타낸다 (Taboada, Brooke, Tofilo-ski, Voll, & Stede, 2011). 문서 안의 감성 극성을 측정하고 분석함으로써 마케팅을 포함한 다양한 분야에 도움될 것이다. 그 중, 최근에 SNS가 영화 흥행의 중요한 변수가 되면서 SNS의 비정형 텍스트 데이터분석을 통해 영화 흥행의 추이를 예측하고 분석하는 연구들이 활발하게 이루어지고 있다 (Lee et al, 2014).
둘째, 연구한 영화의 개수가 적었다는 한계가 있을 수 있다. 본 연구에서는 총 10편의 영화에 대한 트윗을 이용하여 연구를 진행하였지만, 영화의 개수를 좀 더 늘린다면 더욱 정확한 결과가 나올 가능성이 있다. 또한, 마지막으로 본 연구에서는 북미지역이 데이터를 이용 하였으므로, 국내 영화를 대상으로 진행한 연구인 영화 흥행 성과의 대부분이 개봉 후 3주 이내에 결정된다는 연구 결과(Kwon, 2014)와의 차이가 있을 수 있다.
SNS의 특성상 대부분의 반응은 젊은 층의 반응들로 구성되었으며, 중장년층 이상은 SNS에 익숙하지 못하므로 전 계층이 즐길 수 있는 영화 산업의 현실을 완전히 반영하지 못했다는 한계점이 있다. 추후에는 더 넓은 계층을 대상으로 연구할 방안을 모색해보아야 한다. 둘째, 연구한 영화의 개수가 적었다는 한계가 있을 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	감성 분석이란 무엇인가?	최근 많은 분야에서 SNS를 통한 의견을 분석하고 이를 활용하고 있다. ‘감성 분석(sentiment analysis)은 ‘오피니언 마이닝(Opinion Mining)’ 혹은 ‘감성 분류(Sentiment classification)’로도 불리며, 텍스트에 나타난 사람들의 태도, 의견, 성향과 같은 주관적인 데이터를 분석하는 자연어 처리 기술이다 (Chen & Zimbra, 2010, B Liu, 2012; Wiebe, 1994). 감성 분석의 주된 목적은 주어진 문서에서 의견, 표현을 분석하여 감성을 파악하는 것이다 (T;un Thura Thet, Na, & Khoo, 2010).
	영화 산업의 영향요소로는 무엇이 있는가?	영화 산업에서 대부분 제작회사, 투자회사뿐만 아니라 배급사의 같은 목표는 영화 흥행이며, 그 영향 요소로 내적 요인으로는 감독, 배우, 관람 등급이, 외적 요인으로는 스크린 수, 배급사 파워, 소셜미디어 등이 영화 관객을 유인하는 요인이다 (Kim & Hong, 2011). 신상품과 같이, 과거 데이터가 존재하지 않는 영화는 매출을 예측하는 것이 중요한 과제이다.
	영화에 영향을 미치는 요인과 매출을 예측하는 모델을 개발의 이유는 무엇인가?	영화 산업에서 대부분 제작회사, 투자회사뿐만 아니라 배급사의 같은 목표는 영화 흥행이며, 그 영향 요소로 내적 요인으로는 감독, 배우, 관람 등급이, 외적 요인으로는 스크린 수, 배급사 파워, 소셜미디어 등이 영화 관객을 유인하는 요인이다 (Kim & Hong, 2011). 신상품과 같이, 과거 데이터가 존재하지 않는 영화는 매출을 예측하는 것이 중요한 과제이다. 그렇기에 많은 연구에서 영화 매출에 영향을 미치는 요인과 흥행을 예측하는 모델을 개발한다.

참고문헌 (36)

Sun Ju Kwon. (2014). Factors influencing Cinema Success: using News and Online Rates. Korean Association for Cultural Economics, 17(1), 35-56
Byung-Do Kim, & Tae-Young Pyo. (2002). Forecasting Model for Box-Office Revenue of Motion Pictures. The joural of management, 36(1), 1-23.
Byoung-Sun Kim. (2007). Comparison of Factors Predicting Theatrical Movie Success : Focusing on the Classification by the Release Type and the Length of Run . Korean Association For Communication And Information Studies, 53(1), 257-287.
Yon Hyong Kim, & Jeong Han Hong. (2011). A Study for the Development of Motion Picture Box-office Prediction Model. Communications of the Korean Statistical Society, 18(6), 859-869.
O-Joun Lee, Seung-Bo Park, Daul Chung, & Eun-Soon You. (2014). Movie Box-office Analysis using Social Big Data, The Korea Contents Society, 14(10), 527-538.
Ho-young Lee, Hee-yeon Kim, Bu-yeon Jung, Duk-Jin Chang, & Ki-hoon Kim (2011). Growth of Social Media and Evolution of Online Social Relationships. Korea Information Society Development Institute.
Seung Yeon Cho, Hyun-Koo Kim, Beom-soo Kim, & Hee-Woong Kim (2014). Predicting Movie Revenue by Online Review Mining: Using the Opening Week Online Review, The Korea Society of Management Information Systems, 16(3), 113-134
Jae Yeob Jeong, & Hyeon-Cheol Kim. (2016), How does twitter message affect the movie audience?: Focused on type of message source, type of message, and time of movie adoption, 27(6), 179-208.
Min-hoe Heo, Sung-hoon Park, & Sung-jun Jo (2012), Decision Analysis for the Number of Screens of Opening Movies via Audience Evaluation , Korea Business Intelligence Data mining Society.
Austin, B. (1989). Immediate seating: A look at movie audiences. Wadsworth Pub Co.
Asur, S. and Huberman, B.(2010), Predicting the Future with Social Media, Proceedings - 2010 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2010.
Bayus, B. L. (1985). Word of Mouth: The Indirect Effects of Marketing Efforts. Journal of Advertising Research, 25(3), 31.
Chen, H., & Zimbra, D. (2010). AI and opinion mining. IEEE Intelligent Systems, 25(4), 72-79.

상세보기
Dellarocas, C. (2003)., The digitization of word of mouth: promise and challenges of online feedback me- chanisms, Management Science, 49(10), 2003, 1407-1424.

상세보기
De Vany, A., & Walls, W. D. (1999). Uncertainty in the Movie Industry : Does Star Power Reduce the Terror of the Box Office ? Journal of Cultural Economics, 23(4), 285-318.

상세보기
De Vany, A., & Walls, D. (1999). Uncertainty in the ovies: Can star power reduce the terror of the box office? Journal of Cultural Economics, 23, 285-318.

상세보기
Elberse, A., Eliashberg, J., & Leenders, M. A. A. M. (2006). The Motion Picture Industry: Critical Issues in Practice, Current Research, and New Research Directions. Marketing Science, 25(6), 638-661.

상세보기
Eliashberg, J., & Shugan, S. M. (1997). Film Critics: Influencers or Predictors? Journal of Marketing, 61(2), 68-78.

상세보기
Faber, R. J., & O'Guinn, T. C. (1984). Effect of Media Advertising and other Sources on Movie Selection. Journalism & Mass Communication Quarterly, 61(2), 371-377.
Ghiassi, M., Lio, D., & Moon, B. (2015). Pre-production forecasting of movie revenues with a dynamic artificial neural network. Expert Systems with Applications, 42(6), 3176-3193.

상세보기
Gilbert, T. F. (2007), Human competence: Engineeering worthy performance (Tribute ed.), SanFrancisco: Jossey-Bass/Pfeiffer.
Hennig-Thurau, T., Houston, M. B., & Walsh, G. (2007). Determinants of motion picture box office and profitability: an interrelationship approach. Review of Managerial Science, 1(1), 65-92.

상세보기
Katz, E., & Lazarsfeld, P. F. (1955). Personal Influence. New York, 792.
Lica, L., & Tuta. M. (2011), Predicting Product Performance with Social Media, nformatics in education, 15(2), 46-56.
Litman, B. and Kohl, L. (1989). Predicting Financial Success of Motion Pictures: The '80s Experience. Journal of Media Economics, Fall, 35-50.
Liu, Y. (2006). Word of Mouth for Movies: Its Dynamics and Impact on Box Office Revenue. Journal of Marketing, 70(3), 74-89.

상세보기
Mishne, G. and Glance, N.(2006), Predicting Movie Sales from Blogger Sentiment, AAAI 2006 Spring Symposium on Computational Approaches to Analysing Weblogs.
Pokomy, M., & Sedgwick, J. (1999). Movie stars and the distribution of financially successful films in the motion picture industry. Journal of cultural economics, 23, 319-323.

상세보기
Prag, J., & Casavant, J. (1994). An empirical study of the determinants of revenues and marketing expenditures in the motion picture industry. Journal of Cultural Economics, 18, 217-235.

상세보기
Ravi, K., & Ravi, V. (2015). A survey on opinion mining and sentiment analysis: Tasks, approaches and applications. Knowledge-Based Systems, 89, 14-46.

상세보기
Sawhney, M. and Eliashberg, J. (1996). A Parsimonious Model for Forecasting Gross Box- Office Revenues of Motion Pictures. Marketing Science, 15 (2), 113-131.

상세보기
Shannon, C. E. (2001). A Mathematical Theory of Communication. Retrieved from http://lanethames.com/dataStore/ECE/InfoTheory/shannon.pdf
Taboada, M., Brooke, J., Tofiloski, M., Voll, K., & Stede, M. (2011). Lexicon-Based Methods for Sentiment Analysis. Computational Linguistics, 37(2), 267-307.

상세보기
Tun Thura Thet, Na, J.-C., & Khoo, C. S. G. (2010). Aspect-based sentiment analysis of movie reviews on discussion boards. Journal of Information Science, 36(6), 823-848.

상세보기
Wiebe, J. (1994). Tracking point of view in narrative. Computational Linguistics, 20(2), 233-287. Retrieved from http://scholar.google.com/scholar?qintitle:Tracking+Point+of+View+in+Narrative#0

상세보기
Zhang, W., & Skiena, S. (2009). Improving movie gross prediction through news analysis. Proceedings - 2009 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2009, 1, 301-304.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증