秒级票房追踪
全国单影院维度的出票数据以秒级频率刷新，预售、实时与分账口径分列展示，场次热度的陡升陡降一眼就能捕捉。盯首日黄金场或点映场时，不用反复刷新页面等日报。
全国单影院维度的出票数据以秒级频率刷新，预售、实时与分账口径分列展示，场次热度的陡升陡降一眼就能捕捉。盯首日黄金场或点映场时，不用反复刷新页面等日报。
阿尔法猫模型把想看人数、预售转化率、同档期舆情斜率放进同一套权重框架，输出落点区间与每日衰减曲线。每次调整都保留特征贡献拆解，能复盘模型为什么在这个节点转向。
提前三十天查看目标档期的排片占比、黄金场次分布与场均人次，支持分城市、分院线交叉筛选。发行侧可以快速定位排片虚高但上座低迷的影院，把沟通精力放在真正有增量空间的地方。
以省市为单位展示当日票房日冠与区域热度迁移，小时级更新。热度是本地发酵还是跨城拉动、下沉市场的周末曲线为什么更陡，地图上的色块变化比表格更直接。
依托消费行为数据勾勒观影频次、品类偏好与价格敏感度，让影院经理知道谁在买票、为什么选这家而不是隔壁。画像不是静态标签，会随档期和影片类型动态调整。
追踪预告片播放、社交话题声量与购票加购行为的联动变化，把分散的营销动作拆成可对比的指标序列。物料热度上升但购票转化没跟上时，问题往往出在落地页或场次供给，而不是曝光本身。
排片总量下降不等于热度消失。把场均人次和黄金场占比叠在一起看，会发现部分影院的晚间场依然紧绷，问题出在白天时段的供给错配。
想看数跨过阈值后，预售增速并不线性。拆开城市层级和影片类型，转化率在映前三天会出现明显分层，宣发节奏应该跟着分层走。
一线城市的票房曲线偏平滑，三四线在周六晚间出现明显尖峰。理解这种节奏差异，才能解释为什么同一套排片策略在不同城市效果相反。
砍场次、换厅、还是调价，三种动作对周边场次的溢出效应完全不同。用单影院的下钻数据还原决策顺序，比泛泛谈“优化排片”更有参考价值。
模型不是越往后越准。偏差收窄往往发生在口碑扩散速度稳定之后，过早依赖落点数字反而容易忽略预售结构里的异常信号。
均价上调几块钱，流失的未必是价格敏感用户，可能是原本愿意为黄金场支付溢价的低频观众。实验数据把“涨价”这个模糊动作拆成了可观测的弹性区间。
预告片播放峰值和排片占比提升之间通常存在两到三天的时差。踩错这个窗口，热度再高也可能赶不上首日场次配置。
同周上映影片数量增加，单片的排片衰减会提前，但长尾未必更短。关键变量是类型重叠度和目标受众的重合比例，而不是简单的数量堆叠。
秒级票房不是口号，从影院出票到页面可见的延迟压到半分钟以内。盯首日场次或点映场时，你看到的数字和现场差不了几拍，不用等整点日报才能判断热度是否真实。
每一次落点调整都保留特征权重变化记录，不是黑箱给一个数字就结束。预售、想看、舆情各自的贡献度可以拆开复盘，模型为什么在这个节点转向，事后能找到依据。
单影院、单场次、单影片三个维度交叉下钻，区域经理不用等汇总报表就能定位异常场次。是这家影院的黄金场排少了，还是那家影院的均价定高了，数据直接指到具体厅。
排片、预售、想看、物料热度在同一套口径下关联，减少跨表对数的摩擦。营销侧看到的热度上升，能立刻对应到排片侧是否接住，不用在两个系统之间猜时间差。
票房地图不止给排名，还带小时级迁移路径。一个城市的票房突然抬头，能看出是本地社交裂变拉动，还是周边城市观众跨城入场，区域宣发的落点因此更具体。
过去多个同档期影片的衰减曲线、排片节奏和上座率变化都存着，做对标时不用重新扒数据。新片定档后，可以直接调出同类型、同拥挤度档期的历史切片做参照。
档期复盘时，排片占比和上座率经常被分开看：排片高说明影院看好，上座高说明观众买账。但把两个指标放在同一张散点图上，会看到大量“排片不低、上座平庸”的影院，它们的单银幕产出被悄悄拖住了。
一种常见情形是，影院按大盘热度给场次，而不是按自身客群结构。同档期里某部影片在A影院晚间满座，在B影院下午场上座不到一成，但B影院为了“跟上排片节奏”继续把黄金厅留给同一部片。排片占比看起来跟住了，实际上座率被稀释，场均人次下滑，单银幕产出自然不好看。
另一种错配来自预售信号的滞后使用。预售高只说明购票意愿前置，不等于所有场次都能消化。把预售总量简单除以场次数来定排片，容易高估非黄金时段的吸引力，尤其是工作日下午和深夜场。
排片不是越高越好。上座率掉两个点，黄金场的溢出效应就可能消失——原本买不到黄金场的观众，未必会顺延到普通场，更可能换影院或换时间。
猫眼票房的影院颗粒度让这件事变得可操作：先看单影院的上座率是否持续低于同城同档期均值，再看它的排片结构里黄金场占比是否偏高。如果上座率低但黄金场占比高，问题大概率出在“给错了厅”，而不是“给多了场”。调整方向是把部分黄金场释放给上座更稳的影片，或把同一影片挪到匹配其受众作息的时段。
另一种需要警惕的信号是场均人次下降但总人次没降。这说明场次增加并没有带来增量观众，只是把同一批人分散到了更多场次里。排片数字好看，单银幕效率却在下降。遇到这种结构，压缩非黄金场、提高黄金场的场次质量，往往比继续铺场更有效。
与其在档期结束后复盘“当时排片是不是给多了”，不如在过程中盯“排片上座偏离度”：同一影片在单影院的上座率偏离同城均值超过一定幅度时，触发排片复核。猫眼票房的历史档期库可以调出同类影片在相似档期的偏离曲线，帮助判断当前偏离是正常波动还是结构性错配。数据不会直接告诉你该砍哪一场，但能把“感觉排片不对”变成一个有坐标的讨论。
说到底，排片是影院对观众时间的分配，上座率是观众对这种分配的投票。两个指标长期错配，单银幕产出就会替市场给出答案。
排片不是越高越好。上座率掉两个点，黄金场的溢出效应就没了，原本买不到好时段的观众会直接换影院。我们现在的做法是先用单影院下钻找到偏离度最大的场次，再决定是砍是挪，而不是看大盘排片跟着动。
AI预测的价值不在“准”，而在把不确定性拆成可追踪的变量。落点数字只是一个结果，真正有用的是每次调整背后预售、想看、舆情各自的权重变化。能复盘模型为什么转向，比拿到一个精确到小数点后两位的预测更有意义。
物料热度到购票转化有时差，盯峰值不如盯斜率。预告片播放冲高那天，排片未必跟得上；等排片反应过来，热度已经开始衰减。把物料曲线和排片曲线叠在一起看斜率差，比单独看任何一个绝对值都更接近真实的宣发窗口。
小影院跟排大片不如错峰养厅。大盘排片占比高的影片，在我们这种社区影院未必吃得动，场均人次比排片占比诚实得多。用票房地图看周边城市的热度迁移，有时能提前一天判断本地会不会起量，比等日报快。
过去影院经营的惯性是抢排片：档期一到，先把占比拉上去，再等上座率反馈。2026年一个明显的变化是，上座率的反馈速度变快了，排片调整的窗口也跟着缩短。单影院、单场次的实时出票数据让“下午发现晚间场不对”成为可能，而不是等到第二天日报才复盘。
这带来一个连锁反应：排片不再是档期前一次性分配完的动作，而变成了档期内的持续校准。区域经理看的不再只是“这家影院排了多少”，而是“这家影院黄金场的上座偏离同城均值多少”。偏离度触发的复核，比按大盘比例机械跟排更贴近单银幕效率。
另一个趋势是宣发和排片的数据开始真正同源。物料热度、想看转化、预售结构不再各自为战，而是和排片占比放在同一时间轴上比对。宣发侧能看到热度上升后排片是否接住，影院侧能看到排片调整后购票转化是否跟上。两者之间的时差，正在成为档期内最值得盯的变量。
当然，数据颗粒度变细不等于决策自动变好。小时级数据也会放大噪音，单场次的偶然波动可能被误读成趋势。真正有用的不是刷新频率本身，而是知道在哪个节点用哪个颗粒度的数据做判断——首日盯秒级，映前看预售结构，长线回到日级衰减曲线。工具越细，越需要判断力来配对场景。
猫眼票房起源于一个很具体的场景：盯首日场次时，日报还没出，现场已经能感觉到热度不对。如果数据只能隔夜看，判断就只能事后做。于是我们先把秒级实时票房做扎实，让影院出票到页面可见的延迟压到半分钟以内。
但快只是起点。票房数字本身不解释原因：排片高上座低、预售好长线弱、物料热转化冷，这些结构性问题需要下钻到影院、场次和受众画像才能看清。猫眼票房把单影院颗粒度、区域热度迁移、想看转化和物料监控放在同一套口径下，让“感觉不对”变成“偏离度多少、出在哪个环节”。
我们服务的对象不只是影视从业者。深度影迷想理解档期节奏、排片逻辑和票房曲线的形成方式，同样需要可下钻的数据。猫眼票房不做预测结果的搬运工，而是把特征拆解、历史切片和区域差异摊开，让每个使用者都能沿着自己的问题往里走。
数据平台的价值不在于给出一个标准答案。它应该让讨论有共同的坐标：排片谈的是哪个影院的上座偏离，预测谈的是哪几个变量的权重变化，趋势谈的是哪个时间窗口的斜率差。猫眼票房会继续把颗粒度做细，把口径说清楚，把判断的空间留给真正在一线做决定的人。
区域发行现在可以按小时观察热度跨城流动，不再只依赖日终报表。图层支持按城市群和院线交叉筛选，迁移路径以动态热力带呈现。
发行团队可把同档期任意影片拉入同一视图，横向比对场次、上座率与黄金场占比。对比结果支持按城市层级拆分保存。
每次落点调整都会标注预售、想看、舆情等变量的贡献幅度，方便复盘模型判断依据。拆解数据支持导出为结构化字段。
当单厅连续时段低于设定阈值时触发提示，帮助值班经理在档期内及时调整。预警阈值可按影院自身历史均值配置。
预告片在短视频平台的互动斜率开始进入宣发效果面板，与购票加购行为并列展示。跨端热度时差可以在同一时间轴比对。
对标分析现在可以按档期拥挤度、类型集中度和上座衰减形态筛选历史切片。同周数据的口径与当前档期保持一致。
数据来自影院端出票系统的实时回传，覆盖预售、实时出票和退改签状态。与专资办口径在统计边界上存在差异：专资办以官方上报为准，更新频率更低；猫眼票房侧重秒级流动，适合盯过程，不适合替代官方终值。
模型把想看人数、预售转化率、同档期舆情斜率、首日排片占比等变量纳入权重框架，输出一个区间而不是单一数值。区间宽度反映当前信息量下的不确定性，随着映后口碑数据进入，区间通常会收窄。
热门档期通常可以提前三十天查看排片计划，包括场次、占比和城市分布。临近上映时排片会动态调整，提前看到的数字应理解为当前计划，而不是最终锁定的场次。
画像基于聚合后的消费行为数据，呈现的是群体偏好和频次分布，不指向可识别的个人。影院经理看到的是“这个厅的观众更偏好的类型和价格带”，而不是某位观众的具体购票记录。
日级数据是当天累计的切片，适合看总量和排名；小时级图层展示的是热度在区域之间的迁移路径。一个城市票房抬头时，小时级数据能看出是本地发酵还是周边跨城拉动，日级数据做不到这一点。
两者回答的是不同问题。想看数反映购票意愿的蓄水池，预售反映已经发生的转化。模型不会给固定权重，而是根据影片所处阶段动态调整：映前较早时想看权重更高，临近上映时预售结构的解释力上升。
目前覆盖长视频预告片播放、社交平台话题声量和短视频端互动斜率，并与购票平台的加购行为做时间轴对齐。不同渠道的热度到达购票转化的时差不同，面板会并列展示而不是合并成一个总分。
深度影迷可以用排片和上座数据理解为什么某些场次难买、为什么影院在档期内频繁调厅。票房地图和档期衰减曲线也能帮助判断一部影片的热度是短期爆发还是长线扩散，比只看总票房数字更有信息量。
可以到单影院、单影片、单场次三个维度交叉。能看到具体影厅在某个时段的出票数、上座率和均价，也可以按城市或院线横向对比同一影片的场次表现。数据以聚合形式呈现，不涉及观众个人。
预测页面保留每次调整的特征贡献拆解，可以看到是预售结构变化、舆情斜率转向还是排片供给变化主导了修正。偏差本身不会被“修正历史”，但复盘记录会保留，方便对照当时的判断依据。
支持导出为结构化表格，字段涵盖场次、排片占比、上座率、场均人次和均价。导出口径与页面当前筛选条件一致，方便团队在外部表格中做二次比对。
按省市单位的当日票房领先影片统计，小时级图层则展示领先地位在区域间的迁移。日冠反映的是区域偏好，而不是全国总榜，两者结合能看出一部影片在不同层级市场的渗透差异。
目前近五年同周数据已结构化入库，更早的档期以影片维度的衰减曲线形式保留。筛选时可以按档期拥挤度、类型集中度和上座衰减形态匹配历史切片，做对标参考。
小众类型片的预售和想看样本量偏小，区间宽度通常会更大，这是模型对信息不足的表达。使用时更适合看区间趋势和变量贡献，而不是把落点中值当作确定结论。历史同类影片的切片可以作为补充参照。
可以按影院自身的历史场均人次分布来配置阈值，而不是套用统一的绝对值。不同城市、不同厅型的基线差异很大，用自身历史做参照更能识别真正的异常场次。
不是。票房是观众购票金额的统计口径，分账涉及制片、发行、院线和影院之间的比例划分，还受服务费等因素影响。猫眼票房展示的是票房流动，分账结果需要按具体合同和结算规则计算。
各平台的影院接入范围、数据回传延迟和预售处理方式不同，秒级数字出现小幅差异是正常现象。看趋势和斜率比纠结单点绝对值更有意义；如果需要终值对照，应以官方统计口径为准。
斜率取的是指定时间窗口内互动量或播放量的变化速率，而不是绝对值。热度绝对值高但斜率走平，说明扩散进入平台期；绝对值不高但斜率陡，可能意味着内容正在突破圈层。面板会并列展示两者。
秒级票房在档期内保持同样刷新频率，不会因为热度高就加快或减慢。小时级图层按固定间隔更新。所有更新频率在页面上有标注，方便判断当前看到的数字处于哪个时间切片。
可以。数据异常可能来自影院端回传延迟、退改签集中处理或系统口径差异。反馈时附上影院名称、时间窗口和具体指标，核对后会标注数据状态。平台不会在没有核实的情况下修改展示数字。
盯点映场的时候秒级数据确实有用，现场刚散场就能看到出票变化，不用等第二天日报再复盘。
AI预测的特征拆解比落点数字更有意思，能看到模型把权重挪到哪了。就是区间宽度有时候偏大，得自己结合经验收一下。
排片对比拉竞品组很顺手，同一档期几部片的黄金场占比摆在一起，谁在错配一眼就看出来了。
票房地图的小时级图层是最近用得最多的功能，看热度跨城迁移比看静态排名有信息量。
影院画像的频次分布帮我们重新排了下午场的类型，场均人次确实回来了一点，不是玄学。
物料监控把短视频端斜率接进来之后，宣发窗口的判断比之前清楚，不用在两个后台之间来回猜时差。
单影院下钻到单场次的数据对区域经理很实用，不用等汇总就能定位哪家厅的晚间场出了问题。
历史档期库按拥挤度筛切片做对标很方便，但希望之后能按类型重合度再细一层。
排片上座偏离度的思路比单纯看排片占比有用，至少讨论的时候有具体坐标，不是各说各的感觉。
秒级数据在首日黄金场特别直观，热度陡升陡降都能看见，但夜间场样本少的时候波动也会被放大。
预警阈值按自身历史配置这个设计好，不同影院基线本来就不一样，统一绝对值反而容易误报。
预测复盘记录保留特征贡献变化，这点比只给一个落点数字诚实。偏差大的时候能回去看是哪一步判断偏了。
票房地图看下沉市场的周末尖峰很直观，比表格里的场均人次更快看出节奏差异。
导出字段够用，排片上座均价放在一张表里做二次比对很方便，不用再自己拼口径。
影院画像让我们意识到下午场的类型偏好和晚间差很多，之前一套排片打全天确实粗糙了。
频道导航分类清楚，找排片工具和找预测模型不用在首页翻半天，横向滑一下就到了。
深度知识那篇排片错配的文章说到了痛点，日冠数字确实会掩盖单银幕效率的问题。
希望之后能加一个自定义时间窗口的斜率对比，现在固定窗口有时候不够灵活。
竞品组对比保存下来之后，每次档期直接调出来看，省了很多重复筛选的时间。
整体数据颗粒度对从业者够用，影迷视角的解读内容如果能再多一些就更好了。