影評網站如何評價一部電影?一次告訴你IMDb、爛番茄的評分是怎麼「算」的
影評網站如何評價一部電影?一次告訴你IMDb、爛番茄的評分是怎麼「算」的
2017.01.03 | 影視

最近幾天,中國網路影評網站「豆瓣電影」成為了電影界激烈討論的對象。一篇來自廣電總局官辦的《中國電影報》的文章,稱豆瓣電影以及其他社交平台上「個別大V、公眾號為博眼球、圈粉絲、流量變現等目的,發布惡意的、不負責任的言論,嚴重破壞了中國電影的生態環境。」

這件事還真是有點活久見的。在美國,如果有這樣的批評來自無論民間還是官方,那簡直是要笑掉大牙了——從來沒聽說過一兩篇影評,一兩家網站就能糟蹋了一國電影生態環境的。如果真有,這國的電影生態環境是有多脆弱呀。

在美國,也有這麼幾個和豆瓣類似,跟電影有關,主流網民經常訪問的網站:專業儲存電影信息兼評分的IMDb(Internet Movie Database 網路電影數據庫)、創立快二十年幾經易手的爛番茄(Rotten Tomatoes)、 專業網絡購票副業打分的「美國版貓眼」Fandango,以及專門聚合書籍和視聽出版產品批評意見的Metacritic。

隨著網路和社交網站的快速普及,這幾個網站也形成了獨特的電影評分機制,雖然各不相同,但還都挺受電影市場片方、觀眾和專業批評人士的信任。這也讓它們在中國甚至國際上成為了具有公信力的電影評分網站。

它們是怎樣工作的呢?

 

IMDb

現在市面上有一個比較流行的IMDb加權分計算公式,大概長這個樣子:

v = 投票人數,實際上是經常投票的人數,也即IMDb活躍用戶投票數

m = 進入IMDb Top 250榜單所需的最小票數

R = 該電影的平均分(分數相加除以人數)

C = IMDb數據庫所有電影的平均分

這是一個在統計學上公認比較科學的貝葉斯算法實例。但需要明確的是,這個公式只是IMDb維護Top 250電影榜單所使用的,並不是每一部新電影打分都採用這個方法。

平常,IMDb的用戶可以用1-10顆星 來為一部電影打分,最後IMDb會計算出一個加權平均星數作為得分。用最近上映的星戰外傳電影《俠盜一號》舉例,在IMDb上的得分是8.2。目前《俠盜一號》在Top 250榜單裡排名205,也就是說我們可以確定它的得分是用上面那個公式計算得到的。

但是,為了維護評分的公正,這個日常評分的計算公式仍然是個不能公開的秘密——可知的是,結果依然是加權分,採用了算術平均數(Arithmetic mean)的計算方法,但由於算數平均數容易受到極端數據的影響,IMDb也設計了一些過濾機制。

很明顯,IMDb得分是一個普通觀眾打分的結果。就像美國總統大選有全民投票(popular vote)和選舉人票 (electoral vote) 一樣,IMDb 在全面和公正的同時,也想要追求專業,體現一下電影人的意見。於是在上圖的 「Ratings」 後面,還有一個百分制的「Metascore」。

這第二個得分又是怎麼來的呢?這就要提到Metascore的來源Metacritic了。

 

Metacritic

Metacritic是一個出版物專業批評聚合網站,成立於1999年。最早從書評起家,現在的Metacritic的批評對像已經涵蓋了音樂專輯、電影、電視劇、電子遊戲等視聽出版物。注意,重點在於「專業」二字。

要體現專業,首先,Metacritic為電影打出的Metascore是從主流媒體和專業影評機構的影評人那裡聚合而來的,這是它和IMDb評分最主要的不同。這些影評人和他們供職的機構,大多在影評方面具有公信力,比如《衛報》、《紐約時報》、《滾石》、《好萊塢記者》,《時代周刊》和NPR等這樣的大報和電台,都是能參與Metascore計算的專業影評來源。

但不是每個機構和影評人都會自己給出一個準確的分數。實際上Metacritic是這樣做的:來源有分數就用來源分數;來源有星數就大概換算成百分制的分數;如果來源的影評只有文字沒有評分,他們就自己找人去閱讀影評,然後根據讀完的感受自己給一個分,然後再用這個分拿去計算……

雖然這樣計算出的Metascore,看上去不是特別能夠準確和真實地體現批評家的感受,但至少這十幾年過來Metacritic沒怎麼被質疑過。儘管如此,Metacritic 在Metascore 之外也還是設立了一個Userscore——不會展現在一部電影的頁面上,但用戶投票的工具會直接放在Metascore 的下方,給用戶一種投了票就能影響得分的錯覺(詳見下圖)。

Metascore採用百分制,Userscore打分採用十分制。還是用《俠盜一號》舉例,現在的Metascore是65,整合了51個專業來源;Userscore是7.7,基於1489個用戶打分。

 

爛番茄

爛番茄創立於1998年,一直致力於提供具有公信力的電影打分。其創辦人帕特里克·李曾經在PingWestst品玩的SYNC 2016科技大會上介紹過爛番茄的極盛時的風光和設立的機制。這麼來看,爛番茄也算是影評界的不老松。

爛番茄沒有評分!必須明確爛番茄採用的評價系統叫做Tomatometer,一般翻譯成「新鮮度」。一部電影的新鮮度,同樣是由專業的影評意見所決定的。在爛番茄上影評人不打分,也不給星,只能給出Fresh(一個新鮮番茄)和Rotten(一個爛番茄)兩種標記,分別代表推薦和不推薦。

如果超過60% 的影評人推荐一部電影,電影的新鮮度就會整體為Fresh,旁邊有一個百分比顯示新鮮度,也即具體多大比例的影評人推薦;如果超過75% 的影評人推薦,像《俠盜一號》一樣,新鮮度就會變成「Certified Fresh」;但如果給Fresh 的影評人低於60%,電影就只能得到那一坨綠色的爛番茄了。

和 Metacritic 一樣,爛番茄也需要確保用戶的意見能夠得到體現,於是又設定了一個 Audience Score(觀眾分數)。這個觀眾分數採集來源是觀眾打星,但最後體現出來的所有打出 3 星半 以上的用戶比例。

用打好評的影評人/用戶佔總影評人/用戶人數的比例,而不是一個簡單的數值來評價一部電影,是爛番茄和其他影評網站在本質上的最大區別。它突出的是人群對一部電影持有的主流觀點,而不是用一個無法讓每個評價者都感同身受的數值。

這個設定讓爛番茄獲得了相當高的信譽,但也不是所有粉絲都能接受的了。比如今年的美國大廠爛片代表作《自殺突擊隊》的粉絲,就被糊了一臉只有26%新鮮度的爛番茄。結果這些粉絲以爛番茄敵視DC擴展宇宙電影的罪名,在網上發起集體簽名,要求爛番茄關站謝罪……

 

Fandango

2000年成立的Fandango(原名 Tickemaker),可以被理解為美國版貓眼。它慢慢統一了美國混亂的網絡票務市場,現在最主要的功能就是網上買電影票,查座位情況,以及查看影評等等。

Fandango對粉絲、用戶的地位和意見非常重視,在影評機制上得到了體現。Fandango的電影評價完全採用粉絲打分作為依據。在該網站上,超過17,000名粉絲給《俠盜一號》打出了4星半的評價。

Fandango的評分計算方式看上去並不復雜,應該沒有什麼加權和過濾機制。這也導致了該網站上3星以下電影的數量比爛番茄、Metacritic和IMDb要少得多。幸好Fandango加上了比較專業和嚴苛的爛番茄新鮮度,以及專業的家庭電影評價機構意見(上圖右上角),來中和什麼爛片都能咽得下去的粉絲打分。比如星爵克里斯·普拉特和大表姐珍妮佛·勞倫斯主演的《星際過客》,粉絲打了4分,卻得到了一顆只有31%新鮮度的爛番茄,也被負責任的專業機構標註了「露骨的性愛場景」、「過量的飲酒場景」、「令人恐懼的溺水場面」,可能不適宜兒童觀看……

所以你看,資深人士從電影的藝術和學術的角度進行的專業批判,和普通觀眾以獲得的感官愉悅和心理滿足程度給出的打分,就是這樣在網路上和平共處的。

幸運的是,美國商業電影市場經過了一百年的發展已經格外成熟,無論是創作、製作、院線、影評還是周邊開發,都已經走在一條相當專業化的道路上,不太可能像這幾天的中國電影界一樣,發生如此嚴重的爭吵。在美國,佳片會收到它應得的票房和好評作為獎賞,爛片就算進了電影院也不可能躲得開差評——無論在報紙、電台還是網路上。在美國,對電影的批評,也是言論自由保護的一部分。

若差評不自由,則高分無意義。連中國前總理周恩來都《在文藝工作座談會和故事片創作會議上的講話》裡說過,「人民喜聞樂見,你不喜歡,你算老幾?」

本文授權轉載自:PingWest

往下滑看下一篇文章
AI Ready成零售入場券!SHOPLINE年度大會:AI流量時代,品牌如何被看見?
AI Ready成零售入場券!SHOPLINE年度大會:AI流量時代,品牌如何被看見?

AI 正快速改變消費者探索商品、接觸品牌的方式,也為零售業帶來新的成長機會。然而,當 AI 從個人使用工具逐步走向企業營運,台灣零售業的轉型腳步仍有落差。財團法人人工智慧科技基金會《2026 台灣產業 AI 化大調查》顯示,台灣零售業的 AI 應用仍存在明顯差距,資源有限的中小企業尤其面臨挑戰。對照全球已有 62% 的企業開始布局 AI Agent、近五成運用 AI 投入高價值決策,如何將 AI 從單點工具導入,真正成為零售成長的助力,已成為品牌必須面對的課題。

全方位零售整合專家 SHOPLINE 於 9 月舉辦「AI-Verse Day 2026」年度大會,以「Where AI Meets Commerce」為主軸,邀集零售與科技業者,從流量獲取、數據應用到會員經營,探討 AI 落地零售場景的實戰路徑。服務全球累計逾 70 萬品牌的 SHOPLINE,也在會中宣布邁向 AI in Retail,推出官方 MCP(Model Context Protocol),進一步串聯零售數據與 AI 應用,協助品牌掌握新興 AI 流量入口,為下一階段的智慧零售布局做好準備。

SHOPLINE 預告:零售下一個流量入口是 AI

2026 年上半年,SHOPLINE 客戶 GMV 年增 20%,是電商大盤成長率的 2.5 倍。「這代表我們與品牌客戶一起把生意做大!」SHOPLINE 台灣總經理葉力維指出,從全球市場來看,尤其是以北美為主的 SHOPLINE 客戶,來自 AI 渠道的流量 PV 較去年同期成長 15 倍,訂單量更成長 35 倍;相較之下,台灣 AI 渠道流量 PV 約成長 2 倍,顯示 AI 導流的商業潛力正逐步浮現,台灣品牌仍有很大的成長空間。

當品牌越做越複雜,從多通路走向全域經營、數據與規模擴大,如何確保資料品質、打通資訊孤島,並兼顧資安與治理,成為 AI 能否真正落地的關鍵。為此,SHOPLINE 提出四大 AI 佈局方向:首先,建立 AI Ready 數據基礎,整合分散的零售資訊,為 AI 應用做好準備;其次,深化 MCP 布局,讓品牌能依照自身需求,自主選擇並串接不同的 AI Agent;第三,成立 AI 轉型委員會,將 AI 導入內部工作流程,推動服務模式從執行任務進一步升級為洞察客戶需求、提供策略建議;最後,擴大 AI 夥伴生態系,開放第三方開發者串接垂直領域的 AI 應用,讓品牌能更靈活地組合所需工具。

#4 SHOPLINE
圖/ 數位時代

「過去十年,SHOPLINE 陪伴品牌走過每一次通路變革。每一次流量入口的改變,其實都代表著品牌經營方式的改變;而下一個入口,就是 AI。」葉力維表示,當 AI 開始影響消費者探索商品、發現品牌與完成購買的路徑,品牌不能只停留在導入單一工具,更需要提前整備數據、串接應用並建立治理能力。接下來,能否做好 AI Ready 的準備,將成為零售品牌掌握下一波成長機會的關鍵。

SHOPLINE 推官方 MCP,助攻品牌落實 Agent Ready

品牌該如何做好 AI Ready 的準備?SHOPLINE 產品副總賴哲文指出:「人、貨、場的接觸點沒有改變,改變的是誰做決定、誰做執行、誰做判斷。」

當 AI 逐步介入零售場景,消費者、員工與企業的角色也隨之改變:做決定的是消費者,當消費者問 AI「我該買哪個品牌」,品牌能否出現在答案裡是第一個挑戰;執行的是員工,員工則可將部分執行工作交由 AI 處理,將更多精力投入判斷與決策;做判斷的是企業,AI 能否提供可靠的洞察與建議,關鍵仍在於數據品質,以及能否有效運用既有數據資產。

要讓品牌被 AI 理解與推薦,品牌經營也必須從傳統 SEO,進一步走向 AIEO(AI Engine Optimization),讓商品與品牌資訊具備良好的結構與可讀性,才能提高被 AI 採用、推薦及導流的機會。對此,SHOPLINE 提出三層 AI Ready 架構:以「AI Ready Data」整合高品質、可供運算的零售數據;透過「AI Ready Commerce」讓商品資訊與交易流程能被 AI 理解和銜接;再以「AI Ready Agents」串接品牌自主選擇的 AI Agent,逐步將數據基礎延伸至實際應用。同時,SHOPLINE 也透過第一方數據歸因,改善消費者身分碎片化、數據時效性不足與成效歸因不清等問題,讓原始數據能進一步支援 AI 分析與決策。

#3 SHOPLINE
圖/ 數位時代

在工具應用上,SHOPLINE 推出官方 MCP,涵蓋流量轉換、數據分析、商品管理與會員經營等場景。品牌可在 Claude 中透過輸入零售 skills,搭配 MCP Tool 的後台相關能力,進一步產出數據洞察報表與執行建議,讓 AI 從資訊整理延伸至實際的零售工作流程。為兼顧應用效率與資料安全,SHOPLINE 也設下三道防護機制,包括涉及資料寫入時須經人工核准、個人資料須取得授權才能存取,以及依照角色與需求進行權限分級。

「Agent Ready 就是入場券。」賴哲文強調,當 AI Agent 開始參與消費者決策與企業營運,品牌不只要讓 AI 看得懂商品,更要讓數據能被安全地運用、讓不同工具能順利協作。

除了產品之外,SHOPLINE 也致力發展 AI 開放生態圈,邀請各領域夥伴分享引流、口碑、營運與顧客經營的應用方向。此次大會邀請數聚國際、Tagnology、BUNNYWORK、beBit TECH 微拓科技,以及女性高效身體保養品牌 HYPHY,攜手展示 AI 如何串聯流量獲取、行銷轉換到顧客經營等零售場景。

Justar 運用真實發票數據,提升廣告投放效率

廣告投放端同樣面臨轉變。「市場愈來愈大,轉換效益卻愈來愈低。」紅門互動及Justar 數聚國際執行長張元溢分析,投放效率下滑,源於成長結構改變:影響消費者的場域更分散,找人的方式從興趣推測走向真實行為,素材也無法一套打完全場。

對此,Justar 運用 AI 結合電子發票數據,以 AI 廣告投放平台結合全台規模領先的雲端發票消費資料庫,涵蓋超過 20 億筆雲端發票、700 萬名消費者及 3,200 萬項商品。其「AI 廣告受眾推薦引擎」可依商品特性生成受眾輪廓(Persona),比對發票資料庫、找出真實買家作為種子受眾,而非僅依賴瀏覽紀錄或興趣標籤,再由 AI 自動擴充相似受眾、生成並優化素材,並依成效動態調整投放策略與預算配置。

張元溢強調,從真實種子到規模化放大,重點在於找到更多相似的人。同時觸及也須走出社群,延伸至 RMN 聯播網、社區 App 廣告與戶外媒體。他以「三人成虎」形容,藉創作者短影音加上跨場域廣告加深印象,才能為品牌實現「線上找到人,線下讓他記住你」的成效。

#2 SHOPLINE
圖/ 數位時代

BUNNYWORK 推 AI 營運特助,主動預警缺貨與滯銷也發掘成長機會

除了行銷之外,AI 也開始深入零售業的日常營運,協助品牌從事後處理走向事前預測。BUNNYWORK 創辦人周于如指出,電商營運常面臨幾大痛點:商品售罄後客戶問了才發現缺貨、補貨數量仰賴 Excel 與個人經驗判斷,滯銷商品也往往要到季末才浮現。「營運方式不同,留下的利潤差很多。營收決定你做多大,營運才決定你能留下多少利潤。」

針對這些痛點,BUNNYWORK 推出定位為「會思考的電商 AI 特助」的解決方案,目標是讓電商營運進入「自動駕駛」。傳統 ERP 只負責被動紀錄營運數據,BUNNYWORK 則讓 AI 24 小時主動盯盤:根據銷售數據提前發出缺貨預警、產出補貨建議單,並每日掃描商品銷售速度,一旦偵測到滯銷風險,即透過 LINE 推播提醒品牌及早規劃促銷、加速庫存去化與資金回流。除了提前規避風險外,AI 也幫助電商看見潛在機會:偵測到爆款潛力的商品,提醒品牌提早加碼備貨、調整廣告資源,把握成長時機。

至於 AI 為什麼能提供可靠的營運建議?背後仍取決於數據基礎。周于如解釋,ERP 串聯商品、銷售與庫存等不同環節的數據,並即時同步多通路的商品與庫存資訊,讓 AI 掌握完整且即時的營運全貌,同時降低超賣風險。「唯有建立乾淨、即時的資料基礎,AI 才能進一步辨識缺貨與滯銷風險、並發掘銷售成長機會,協助品牌提前應對、做出更精準的決策。」目前品牌平均約 7 天即可完成導入。

#1 SHOPLINE
圖/ 數位時代

精兵團隊導入 AI,解決流程瓶頸再創高成長

從流量獲取到營運效率,AI 的價值最終仍須回到顧客經營與商業成效。大會壓軸的高峰沙龍回到會員經營。beBit TECH 商務長譚學凱指出,OmniSegment CDP(顧客數據平台)能整合分散的顧客資料,建立 360 度顧客輪廓,進一步支援跨渠道的精準經營;旗下導購型 AI Agent「AgentBit」,提供對話式分眾,讓使用者與 AI 對話就能快速打包推播受眾,不再需要手動設定篩選條件;商品興趣預測則以 AI 學習客戶的行為軌跡,自動將高相關商品推送給高潛力買家;AI 智慧分析更只需透過問答,即時分析品牌檔期成效與提供優化建議,並能一鍵調整現有顧客旅程。透過 CDP 與 AI 功能加乘,大幅提升行銷團隊協作效率,並支援逾 2,000 種 OMO 跨通路智慧推播,協助品牌更有效地觸及目標客群。

#0 SHOPLINE
圖/ 數位時代

HYPHY 品牌共同創辦人林又立分享,品牌長期透過 LINE 經營千人會員社群,希望在規模化經營的同時,仍保有一對一對談的親切感與即時回覆的能力。導入 AgentBit 後,團隊能透過 AI 對話快速完成受眾分群,並取得具體的行銷優化建議,降低操作門檻。以單檔活動為例,LINE 發送量僅為原先的 15%,點擊率卻提升 227%,EDM ROAS 更提升至原先的 3.3 倍,展現 AI 協助品牌提升溝通效率與行銷效益的潛力。

對於資源有限、希望嘗試 AI 的品牌,林又立也分享了務實的做法:「不要一開始練跑就想著今天要跑全馬,先踏出第一步,把目標定在到達下一個電線桿就夠了。」與其一開始就追求全面轉型,不如從具體的營運需求出發,逐步找到適合 AI 發揮的場景。

活動尾聲,葉力維也提醒,品牌導入 AI 前,應先盤點內部工作流程,找出真正影響效率與成效的瓶頸,再思考如何運用 AI 改善。「那就是你最該導入 AI 的地方。把 AI 放在流程上,才是關鍵。」與其為了導入 AI 而導入 AI,先解決實際問題,才能讓技術真正轉化為營運成果。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓