影视与互联网的融合,已经成为影视行业的新常态。2020年疫情期间,人们的居家在线娱乐时间大幅增加,使得网剧(网络连续剧)网大(网络大电影)的点播时长和频次都激增,也让本就蓄势待发的制作发行方和流媒体平台更加明确了升级发展的方向。
当下的全球影视制片发行业存在两种基本逻辑,其一是好莱坞逻辑,其二是互联网逻辑。随着我国网络经济的创新力不断提升,网络影视制作与发行行业也在力图摆脱对好莱坞逻辑的模仿,开创一条既符合我国文化市场规律、又能充分体现经济效益与社会效益的发展道路。而在疫情背景下,相对好莱坞逻辑,互联网逻辑优势凸显,预示着未来制片业的变革。网剧网大行业将互联网逻辑推升至新的水平,其内部发生着蜕变与升级,尤其体现在制作、发行与分账模式的变化中,与好莱坞逻辑渐行渐远。
效仿与打破
好莱坞制片发行与分账模式一度是全世界追赶与效仿的业界标杆。
我国影视行业采用分账模式起源于1994年,当时为了改变国内电影市场的局面,时任中影公司总经理的吴孟辰提议以国际通行的票房分账形式,进口最新的一流外国影片,以发行收入扶持老少边穷地区的电影事业。当年底,广电部电影局批准该建议,提出每年可以进口10部“基本反映世界优秀文明成果和表现当代电影成就”的影片,开始了我国电影的大片时代和分账时代。
好莱坞逻辑诞生于20世纪20年代末,其时经典好莱坞的成功使得制片公司习惯于以某种受欢迎的影片为模版,进行批量生产,随后逐步形成以片厂制为基础,通过发行渠道与院线分账的工业化流程。概括起来说就是:在内容生产上用经验说话,在分账模式上为片厂着想,在发行推广上迎合大众口味。但互联网的打法则针锋相对,在内容创造上以数据支撑,在分账模式上有灵活性且兼顾各方利益,在发行推广上讲究精准与分众。
时至今日,在网络流媒体平台介入影视制作与发行的背景下,好莱坞逻辑越来越不能适应市场变化,传统好莱坞的商业份额被日渐侵蚀。自2013年《纸牌屋》获得黄金时段艾美奖“原创网剧”提名以来,以网飞、亚马逊和苹果为代表的流媒体平台持续地进行着一场影视业的商业变革,纷纷推出自己的网剧网大产品,在发行与分账制度上打破了传统好莱坞的坚固壁垒。
当下,我国影视市场也在拆解着以往的包袱,不断进行商业模式的迭代更新。例如,网大已经历了从网络短片、微电影到网络大电影三个层级的跃升。而这距爱奇艺公司在“网络大电影成就梦想”高峰论坛上首次提出“网大”概念,不过6年而已。
诉求与优化
粗制滥造一度是网剧网大的标签。故事情节拖沓冗长、表演做作、制作粗糙等弊病,实在让人难以对网剧网大产生好感。承受着过去数年跨越式发展带来的相应不良后果,影视公司与流媒体平台都不堪重负。而疫情的出现则挤压出巨大的市场份额,倒逼业界去思考,是否有新兴的模式可以改善现状?
我们可以看到,国内三大流媒体平台优酷、爱奇艺和腾讯的自制剧离不开用算法分析流量,也就是说,网剧网大的制作与分账,都需要结合IP流量的特点来进行研发。这背后的指向性很明确,即尊重用户的选择倾向,以此作为剧集开发和盈利的科学依据。流媒体平台各自开发的算法是一种综合实力的体现,先进的收视习惯算法系统和跟踪技术促成了更优质的内容诞生。
随着观众全面转向网络娱乐,如何评测观众收视的情况变得越来越难。在这个问题上网飞公司曾走在前列,其自主开发的实时监控技术能让网站掌握所有观众的观剧习惯,并进行量化处理和分析。观众手中的遥控器表明了他们何时按下暂停键、何时按下快进键、何时会倒回重放,而这一切动作都有实在的意义,反映了观众微妙的心理变化。这些累积而来的数据,让制作方在最短的时间内获知剧集的成败所在,并迅速发掘出情节点的优势与瑕疵,以便在下一季的编排和制作中及时做出调整。这种收视跟踪技术把传统电视媒体模糊的、滞后的收视率调查远远抛在了后面,在质量上超越了以往笼统的数据分析,做到了有的放矢、精确打击。
而国内三大流媒体平台则拥有更为先进的算法和大数据优势,它们用互联网数据指导剧集制作,拥有特别的数据收集优势。对于观众们在看什么、怎么看,平台了解得很多,这种了解不是泛泛的了解,而是非常详细,且有数据支持,包括观众在整个观看期间的点击和持续时间等信息它都能悉数掌握。平台的数据库是完全数据(大数据),而非抽样数据,分析师们能知道每一个观众都在看什么、怎么看,该如何把这些数据转换为观众的欣赏偏好并进行预测。
平台能够聚拢人气,能够掌控IP流量,但是这些数据需要转化,有了算法的加持,数据才会有意义,技术优势才会赋能内容生产与分账体系。好在流媒体平台自诞生的那一天开始,自带互联网基因,它们天然地有处理海量数据并转化成商业决策的潜在诉求。只不过在疫情期间,大量用户转向在线娱乐的特殊时刻,这种诉求的紧迫性才显现出来。流媒体平台注重的是剧集、用户、收益等综合因素的结合,将这些因素全部计算精确,并构建出动态的模型,那么网剧网大的发展就会自然越来越好。所以简而言之,流媒体平台算法的优化,实际上就是一种企业发展模式的优化。