前言：最近忙的不行，也一直没有坚持写公开文章的习惯，但最近人越来越唠叨，很多东西不写出来估计大家都烦了。结合近期的一些工作内容，写些关于标签的理解，也算磨磨性子。
之前做技术开发时看了很多名叫《深入浅出xxx》的书，但我想这个系列也许做不到深入，至少从些简单的故事出发大家都能看明白。至于能否浅出就不知道了，说不定太监了呢？但愿吧！

时逢《神奇动物在哪里》上映，作为一个伪哈迷本想带着孩子去饱饱眼福，无奈只有英语版本。于是同期另一部迪斯尼的片子成了我的唯一选择-Moana，中文落了个很俗套的名字《海洋奇缘》。

这是一部很精彩但不出彩的迪斯尼经典动画片，该有的元素一个不落，处处到位，比如：

• 落寞的英雄 + 被选中的孩子 的组合
• 逗逼的配角
• 看完被洗白白的大Boss
• 翻译后不堪入耳的插曲
• 天堂般的原画
• 简单却不易做到的价值观

码了这么多字，还是看几张图吧，不然估计大多人都跑掉了...

电影海报

被选中的孩子 - 莫阿娜 落寞英雄 - 毛伊 逗逼与萌萌的配角 精美的原画 怪怪的中文版插曲

电影剧透

• 一个英雄受到了挫败，不知所踪
• 一个平凡的孩子被大海选中
• 一片祥和的大环境和一个与众不同的奶奶
• 孩子向往大海被族人拒绝
• 奶奶支持但体力不支倒下了，变成图腾继续支持
• 孩子出走，找寻英雄
• 英雄不屑，企图逃走
• 孩子纠缠
• 无限循环上述两步，英雄与孩子达成一致
• 谁都能想到的大结局

不得不说剧情没有太大的起伏，但这才是本文的开始......

好吧，啰嗦的特质一览无余

终于开始了

之前和朋友聊天，谈起一个有趣的话题：<pre><code>给你一个剧本，怎么测算它是否卖座？</code></pre>

一开始只是觉得这个命题很新颖，初想很难，再想现在大数据啥不能做，再想要是自己做会怎么做？

由于自己做了多年的基于模型的开发和设计工作，所以习惯了拆解再构建模型的思路，虽不说万能，但至少个人觉得很好用：

定义领域模型的概念

• 电影
• 影评
• 上映时间及场次
• 同期电影
• 政策舆论
• 突发事件
• 目标人群特征
• 评分模型

其实也没做过这个领域，只是从自己的理解不断延伸，自然就会产生一个相对完整且统一的思路。脑图 的作用在此一览无余！

设定相关流程

1. 找出以往类似电影

• 出品方 - 迪斯尼
• 人物设定 - 主角、配角、反派、客串
• 剧情设定 - 主线、分支
• 背景设定 - 文化历史、知识领域
• 电影类型 - 3D/2D、英语/国语
• ...

2. 收集成绩及影评

• 票房统计
• 主流网站口碑及影评
• 社交媒体评论及话题

3. 得出历史同类电影参考分数

• 此处忽略各种评分模型

4. 找出近期有竞争的电影

• 设定预计上映时间
• 搜寻可能同期电影
• 估算目标人群交叉率
• 估算本电影竞争力

5. 确定场次和时间

• 解决时间冲突
• 解决影院冲突
• 预设票价及放票数量

6. 其他种种

• 规避政策风险
• 设置解决突发事件的手段
• 设定营销策略
• ...

7. 综合评分

• 此处再次忽略各种评分模型

小结

越写越复杂，想想还是打住，不然专家看见就得露馅了...这些其实不过是个人惯用的一种思维逻辑，我相信条条大路通罗马，大家坚持自己就好了。

大家看看，这么多不同类型的数据需要收集、处理、分析、构建模型，在大数据时代似乎都能做到，但似乎也不知道从何下手？！

为什么？

标签，数据降维的产物

从上个章节看到，数据很复杂，即便收集了也很难处理，那么把复杂的问题简单化就是一种思路。

此处引用《三体》的降维攻击，<pre><code>二向箔</code></pre>

二向箔攻击

如果在大数据时代，所有数据都被处理成标签，那么针对标签本身的查询、分析、加工就能替代与之相同的数据操作，让人人都参与到大数据中来。这个想法也许在某些人看来很幼稚很荒谬，但本文的目的就是抛砖引玉，还请不吝赐教！

不知不觉，写了这么多还是个开头，看来此系列注定是个长篇连载，不知道我这种拖延症患者能否坚持下去，是为序。