Мой интерес к анализу HBO Max продиктован несколькими взаимосвязанными аспектами современного медиапотребления, которые я рассматриваю через призму данных.
Экосистема потребления: от гаджета к опыту Понимание того, через какие устройства аудитория взаимодействует с контентом, раскрывает не просто технические предпочтения, а целые сценарии медиапотребления. Различие между просмотром на смартфоне в дороге и на большом телевизоре в гостиной — это разница не в пикселях, а в ритуалах, внимании и эмоциональной вовлеченности.
Основной исследовательский интерес для меня заключался в том, как большие данные о медиапотреблении превращаются в творческие решения, как аналитика формирует искусство, а алгоритмы начинают понимать человеческие эмоции лучше, чем мы сами.
Информационная основа исследования включает агрегированные данные HBO Max за 2024 год, охватывающие ключевые метрики по устройствам, контенту, географии и временным паттернам просмотра. Визуализация выполнена с акцентом на ясность, эстетику и способность данных рассказывать истории — минималистичный дизайн служит не украшению, а усилению нарратива, скрытого в цифрах.
Источники данных для анализа. Sandvine Internet Phenomena Report — глобальные тренды потребления видео https://www.sandvine.com/phenomena
WBD Quarterly Reports — активность пользователей HBO Max https://ir.wbd.com/financials/quarterly-results/default.aspx
В проекте я использовала такие виды графиков как: круговая диаграмма, горизонтальная столбчатая диаграмма, столбчатая диаграмма, линейный график. Так как эти виды графиков просты и позволят лучше всего отразить анализ данных
1. Круговая диаграмма
По результату графика я поняла, что наиболее популярным способом просмотра контента HBO Max являются Smart TV и ТВ-приставки (48%), что говорит о предпочтении домашнего просмотра на больших экранах.
В данном графике был использован метод создания эффекта «пончика» через «plt.Circle ()»
2. Горизонтальная столбчатая диаграмма
В данном графике был использован Динамическое изменение цвета и размера текста в зависимости от значения «(hour == max_hours, hour > 1000)»
3. Столбчатая диаграмма
Этот график может упростить анализ культурных различий аудитории. В коде используется метод: построения «stacked bar chart через np.zeros ()»
4. Линейный график
Наиболее активными днями являются выходные, с пиком в воскресенье, причём молодежь показывает более выраженный рост активности. В коде есть использование разных маркеров для визуального различия линий, интеллектуальное позиционирование значений (выше/ниже маркеров), затенённая область между линиями через fill_between (), и создание интерактивной сетки с разной прозрачностью.
Описание применения генеративной модели
Для исправления ошибок в коде использовалась нейросеть DeepSeek
Блокнот с кодом
