K-예능/쇼 프로그램의 흥행 가능성을 예측하기 위한 Non-Drama H-Score 6축 가중치 캘리브레이션 프로젝트입니다.
이 저장소는 드라마 중심의 흥행 예측 지표를 예능·쇼·리얼리티·서바이벌 등 비드라마 콘텐츠에 맞게 재설계하고, 2024–2026년 K-예능/쇼 프로그램 사례를 바탕으로 각 축의 기여도를 분석합니다.
핵심 목표: “예능 콘텐츠의 초기 안착력과 롱런 지속력을 데이터 기반으로 어떻게 점수화할 수 있는가?”
non_drama_hscore_calibration.py는 다음 작업을 수행합니다.
- 2024–2026년 K-예능/쇼 프로그램 캘리브레이션 데이터 구성
- Non-Drama H-Score 6축 점수 계산
- 닐슨 시청률 및 브랜드평판지수 기반 통합 성과 지표 생성
- 상관분석, 선형회귀, Ridge, Random Forest, Gradient Boosting 기반 가중치 추정
- 초기 안착력(Landing)과 롱런 지속력(Longevity)을 분리한 Dual KPI H-Score 계산
- 분석 결과 차트 및 JSON 저장
이 프로젝트는 비드라마 콘텐츠의 흥행 요소를 다음 6축으로 정의합니다.
| Axis | Korean | Description |
|---|---|---|
cast_chemistry |
출연진 케미 파워 | 출연진 인지도, 예능 검증도, 조합의 화학작용 |
creator_power |
PD/크리에이터 파워 | PD 전작 성과, 포맷 개발 이력, 연출 신뢰도 |
format_power |
포맷 파워 | 포맷 유형, 시즌 이력, OSMU 가능성, 신선도 |
platform_scheduling |
플랫폼·편성 전략 | 채널 도달력, OTT 동시공개, 시간대 경쟁력 |
pre_buzz |
사전 화제성 | 출연진 발표 반응, 티저 조회수, 기사량, SNS 반응 |
concept_trend_fit |
콘셉트·트렌드 적합도 | 사회 트렌드와의 공명, 새로움과 익숙함의 균형 |
예능/쇼 콘텐츠는 첫 방송 성과만으로 판단하기 어렵기 때문에, 이 프로젝트는 두 가지 KPI를 분리합니다.
초기 안착력입니다.
- 첫 3–4회 안에 시청자가 정착하는가?
- 사전 화제성, 출연진 케미, 편성 전략의 영향이 큽니다.
롱런 지속력입니다.
- 시즌2 이상 확장 가능한가?
- PD/크리에이터 파워, 포맷 파워, 트렌드 적합도의 영향이 큽니다.
최종 H-Score는 다음 구조를 사용합니다.
Combined H-Score = Landing 45% + Longevity 55%
현재 스크립트에는 2024–2026년 K-예능/쇼 프로그램 캘리브레이션 데이터가 Python list 형태로 포함되어 있습니다.
예시 프로그램:
- 흑백요리사: 요리 계급 전쟁
- 나 혼자 산다
- 미운 우리 새끼
- 최강야구 시즌3
- 삼시세끼
- 유 퀴즈 온 더 블럭
- 피지컬: 100 시즌2
- SNL코리아 시즌5
- 환승연애3
- 서진이네2
스크립트는 닐슨 주간 시청률 CSV가 있으면 교차 검증용으로 읽습니다.
기본 경로:
data/nielsen_weekly_all_categories_2024_2026.csv
또는 환경변수로 직접 지정할 수 있습니다.
export NIELSEN_CSV_PATH="/path/to/nielsen_weekly_all_categories_2024_2026.csv"
python non_drama_hscore_calibration.pyNote: 원본 CSV가 없는 경우에도 스크립트는 내장 캘리브레이션 데이터만으로 실행됩니다.
가중치 산정에는 다음 방법을 함께 사용합니다.
- Spearman correlation
- Pearson correlation
- Linear Regression
- Ridge Regression
- Random Forest Regressor
- Gradient Boosting Regressor
최종 가중치는 여러 분석 결과를 정규화한 뒤 앙상블 방식으로 통합합니다.
실행 후 output_nondrama/ 폴더에 다음 결과물이 생성됩니다.
output_nondrama/
├── nd_correlation_heatmap.png
├── nd_weight_distribution.png
├── nd_hscore_comparison.png
├── nd_actual_vs_predicted.png
└── nondrama_hscore_results.json
git clone https://github.com/kimble125/k-show-hit-predictor.git
cd k-show-hit-predictor
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txtWindows PowerShell:
python -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -r requirements.txt기본 실행:
python non_drama_hscore_calibration.pyCSV 경로를 직접 지정해서 실행:
NIELSEN_CSV_PATH="data/nielsen_weekly_all_categories_2024_2026.csv" python non_drama_hscore_calibration.py.
├── non_drama_hscore_calibration.py
├── requirements.txt
├── README.md
├── .gitignore
├── .env.example
├── data/
│ └── README.md
└── output_nondrama/
└── .gitkeep
이 프로젝트는 포트폴리오 및 분석 실험용 프로젝트입니다.
- 일부 브랜드평판지수와 OTT 성과는 추정치(
[EST])를 포함합니다. - 캘리브레이션 데이터 수가 제한적이므로 통계적 일반화에는 주의가 필요합니다.
- 6축 점수는 정량 데이터와 도메인 판단이 결합된 휴리스틱 점수입니다.
- 실제 상업적 예측 모델로 사용하려면 더 많은 프로그램, 기간별 성과, SNS/검색량/OTT 순위 데이터가 필요합니다.
- 캘리브레이션 데이터를
.csv또는.json으로 분리 - 신규 프로그램 입력용 CLI 추가
- 네이버 검색량, YouTube 티저 조회수, SNS 언급량 연동
- 포맷별 별도 가중치 모델 학습
- Streamlit 또는 Gradio 기반 대시보드 제작
- H-Score 산출 결과를 콘텐츠 기획/편성 의사결정 리포트로 자동 변환
Non-Drama H-Score calibration for Korean variety and entertainment shows.
python
data-analysis
machine-learning
content-analytics
korean-variety-show
entertainment-analytics
hscore
regression
random-forest
gradient-boosting
matplotlib
scikit-learn
- GitHub: kimble125
- Blog: forrest125.tistory.com