Анализ динамики и успеха фильмов и сериалов об оборотнях
/Введение/
Тема оборотничества волнует наше общество не одно столетие. О ней ходит множество легенд и мифов, а ликантропия вдохновила на создание не одного фильма и не одной книги. В современном кино и сериалах оборотни стали символом трансформации, борьбы с внутренними демонами и сверхъестественного ужаса, что делает эту тему вечной и актуальной.
Интерес к анализу возник из моей личной симпатии к теме оборотничества и недавнего пересмотра сериала «Волчонок». В анализе я хочу выявить самый крутой фильм про волков по рейтингам, определить эру расцвета киноиндустрии про оборотней, в какой стране чаще всего снимают такие фильмы, а также посмотреть, как соотносятся оценки аудитории с критиками.
Для исследования я сама составила датасет с подробной информацией о фильмах и сериалах про оборотней: названия, даты релиза, бюджеты, кассовые сборы, рейтинги, количество голосов на IMDb и Kinopoisk. Данные собраны из открытых источников вроде IMDb, Kinopoisk, Wikipedia и фан-сайтов (например, Werewolf Database), представлены в формате CSV и включают около 40 проектов, выпущенных с 1940-х по 2025 год. Такой набор позволяет изучить динамику популярности темы, корреляцию между бюджетом и успехом, а также эволюцию жанра в зависимости от эпохи.
Для визуализации выбрала комбинацию графиков:
кольцевые диаграммы (donut charts) для доли жанров и платформ, линейные графики (line plots) для динамики релизов и рейтингов во времени, столбчатые диаграммы (bar charts) для топ-фильмов по ключевым метрикам и word clouds для анализа популярных ключевых слов в описаниях. Эти типы идеально подходят для демонстрации трендов, сравнений долей, ранжирования лидеров и качественного анализа текстовых данных
/Загрузка и обработка данных/
Я начала с загрузки датасета в Pandas. Затем провела очистку: удалила дубликаты, обработала пропуски в бюджетах и сборах, конвертировала даты в datetime, добавила столбец «год» и рассчитала ROI. Выявила выбросы в сборах с помощью IQR-метода и исключила их для точности.
/Стилизация/
Для генерации цветовой палитры я обратилась к Perplexity с промптом: «Предложи оригинальную цветовую палитру для инфографики про фильмы об оборотнях в стиле нуар-хоррор». Получила палитру 1a1a2e, 16213e, e94560, 0f3460.
/Анализ ключевых показателей/
Для последующей визуализации данных я проанализировала основные числовые показатели: рейтинг IMDb, рейтинг Кинопоиск, страны производства. Изучила связи между рейтингами и годом выпуска, чтобы выявить тренды и закономерности.
/ Большинство произведений (мода) находятся в диапазоне 6.5–7.0 на IMDb и 6.0–6.8 на Кинопоиске. Проекты скорее «приемлемы», чем выдающися.
/ Наблюдается негативная асимметрия (длинное левое плечо) на обеих платформах. Слабых проектов (оценки < 6.0) в жанре больше, чем исключительных хитов (оценки > 8.0).
/ Кинопоиск в среднем ставит более низкие оценки, а пик распределения сдвинут вниз по сравнению с IMDb. Это демонстрирует более строгое отношение российской аудитории к нишевому хоррору/фэнтези.
/ На IMDb «правый хвост» (высокие оценки) длиннее. Западные культовые фильмы получают здесь более высокое признание. На Кинопоиске таких высокооцененных проектов меньше, что подчеркивает культурные различия в восприятии жанровых хитов.
/Сравнительный анализ/
Далее мне захотелось проанализировать, в каких странах чаще всего создаются фильмы и сериалы про оборотней, найти неочевидные страны производства такого кино.
/ Голливуд является центральным хабом (50–60%) благодаря крупным франшизам («Underworld», «The Wolfman») и классике жанра («An American Werewolf in London»).
/ Великобритания (15–20%) — опора на готическую традицию и студийное наследие.
/ Канада (≈10%) — привлекательна как локация для съемок среднебюджетных проектов благодаря налоговым льготам.
/ Континентальная Европа (5–10%) — представлена арт-хаусными и фольклорными интерпретациями.
/ <5% на страну: Корея, Испания и другие страны, выпускающие экспериментальные или сильно локализованные версии.
Собирая датасет, я поняла, что слишком много фильмов и сериалов имеют в своих названиях одинаковые слова, отсылающие к тому, чему посвящен фильм — оборотням. Я захотела проверить, насколько часто это проявляется.
Выявились ключевые нарративы:
/ ~60% топ-слов: werewolf + moon + blood + curse
/ ~30%: pack + teen + hunter
/ ~10%: beast + man + night
Далее мне захотелось проверить, как часто в киноиндустрии проскакивала тема оборотничества и сравнить это значение со средним значением рейтингов.
/ 2010-е — эра расцвета по количеству производства фильмов и сериалов.
/ ~20–30 лет между пиками — жанр возрождается с новыми поколениями и техниками.
В завершении мне захотелось найти самый лучший и худший фильм по оценкам критиков, а так же сравнить это со средним значением всех фильмов.
/ Устойчивое среднее значение рейтинга (6.2) указывает на предсказуемость и нишевый характер жанра. Он стабильно удовлетворяет целевую аудиторию, но редко выходит за ее пределы.
/Заключение/
/ США доминируют (~50–60% рынка), за ними UK/Канада/Европа — голливудский контроль обеспечивает глобальную узнаваемость, но культурную однородность.
/ Рейтинги стабильно средние (пики 6.5–7.0 на IMDb/Кинопоиск): 80% тайтлов в диапазоне 5.5–7.5.
/ Российская аудитория строже (сдвиг вниз на 0.2–0.5 балла).
/ Семантика названий Узкий словарь тропов —werewolf/moon/blood/curse/pack (80% топ-слов). Это ограничивает креатив, но гарантирует бренд.
/ Экстремумы Лучший (2010, USA, ~7.5) — Teen Wolf, худший (2020, USA, 4.0) — I am Lisa.
Фильмы об оборотнях — это цикличная ниша, где качество важнее количества. Пик качества пришелся на 1980-е с вечными хитами, пик объёма — на 2010-е с массовым, но средним контентом.
Несмотря на средние рейтинги, жанр обладает культовым статусом и преданной фан-базой. Легендарные франшизы вроде Teen Wolf и Underworld десятилетиями живут в фанатах, доказывая, что главный успех измеряется верностью аудитории.
/Описание применения генеративных моделей/
В работе я применяла Perplexity для подбора цветовых кодов, составлении единого датасета из нескольких источников информации и поддержки в написании кода. Также я использовала нейросеть Qwen для создания обложки проекта.
