Problema
Un cliente dell'industria dell'intrattenimento produceva grandi volumi di asset creativi e media promozionali ogni trimestre e aveva bisogno di un modo per prevedere quali avrebbero risuonato con la propria audience prima di impegnare distribuzione e paid-media spend. L'analytics esistente faceva emergere la performance post-lancio ma non offriva alcun segnale nella finestra pre-lancio dove le decisioni vengono effettivamente prese.
Approccio
Costruito un modello multimodale di creative intelligence che combinava embedding visivi e audio dell'asset, metadata strutturati di catalogo (genere, talent, formato, finestra di release) e segnali storici di performance dell'audience. GPT-4V, Gemini e Claude usati in una pipeline a livelli — prima per caratterizzare gli asset lungo dimensioni significative per l'audience, poi per proiettare contro distribuzioni di performance storiche per contenuti comparabili. Output integrato nel workflow di media analytics esistente del cliente come layer di scoring pre-lancio.
Stack
GPT-4V · Gemini · Claude · multimodal embeddings · catalogue metadata pipeline · entertainment-industry creative-evaluation framework
Risultato
Lo scoring pre-lancio della performance creativa è diventato un input strutturato alle decisioni di greenlight e distribuzione del cliente, sostituendo quello che prima era un mix di intuizione e analytics post-hoc. Framework portabile a classi di problema adiacenti nel media analytics — commissioning di contenuti, selezione di formato, test di thumbnail e key-art — ovunque esistano distribuzioni di performance storiche come segnale di apprendimento.