Problème
Un client de l'industrie du divertissement produisait de grands volumes d'assets créatifs et de médias promotionnels chaque trimestre et avait besoin d'un moyen de prédire lesquels résonneraient avec son audience avant d'engager la distribution et le budget paid-media. L'analytics existante remontait la performance post-lancement mais n'offrait aucun signal dans la fenêtre pré-lancement où les décisions sont réellement prises.
Approche
Modèle multimodal de creative intelligence construit, combinant embeddings visuels et audio de l'asset, métadonnées catalogue structurées (genre, talent, format, fenêtre de sortie) et signaux historiques de performance audience. GPT-4V, Gemini et Claude utilisés dans une pipeline en couches — d'abord pour caractériser les assets sur des dimensions significatives pour l'audience, puis pour projeter contre des distributions de performance historiques de contenus comparables. Sortie intégrée dans le workflow media-analytics existant du client comme couche de scoring pré-lancement.
Stack
GPT-4V · Gemini · Claude · multimodal embeddings · catalogue metadata pipeline · entertainment-industry creative-evaluation framework
Résultat
Le scoring pré-lancement de performance créative est devenu un input structuré aux décisions de greenlight et de distribution du client, remplaçant ce qui était auparavant un mélange d'intuition et d'analytics post-hoc. Framework portable à des classes de problème adjacentes en media analytics — commissioning de contenu, sélection de format, test de thumbnails et key-art — partout où des distributions de performance historiques existent comme signal d'apprentissage.