Introdução ao Dataset

O “Anime Dataset 2023” é um conjunto de dados extraído do MyAnimeList, uma das maiores comunidades online dedicadas a animes e mangás. Com 24.905 entradas e 24 colunas, o dataset contém informações detalhadas sobre cada anime, como título, estúdio, data de lançamento, classificação de popularidade, número de favoritos e outros atributos valiosos para análise. Ele oferece uma base robusta para estudar a popularidade e o desempenho de diferentes animes ao longo do tempo.

O dataset foi organizados por Sajid com o objetivo de criar um sistema de recomendação de animes. Para a coleta dos dados, foi utilizada a API Jikan e a biblioteca Soup para web scraping, com um processo de extração que durou cerca de um mês. Esses dados são valiosos não só para entender as preferências dos usuários, mas também para revelar padrões que podem guiar futuras produções e investimentos no mercado de anime.

Dataset no Kaggle

Introdução ao Problema

O anime é uma forma de entretenimento popular originada no Japão, abrangendo uma vasta gama de séries animadas, filmes e OVAs (Original Video Animations), atendendo a diversos gêneros e públicos. É conhecido por seu estilo artístico único, narrativas envolventes e pela diversidade de temas abordados. Além de cobrir uma grande variedade de gêneros, os animes são frequentemente categorizados demograficamente, com públicos-alvo específicos, como infantil, adolescentes (masculino e feminino) e adultos (masculino e feminino).

Com o passar dos anos, o anime ganhou enorme popularidade não apenas no Oriente, mas também no Ocidente, criando uma base de fãs dedicada em todo o mundo. Esse crescimento global atraiu a atenção de empresas ocidentais, que têm investido cada vez mais nesse tipo de conteúdo. Exemplos disso incluem o streaming Netflix, que já produziu diversos animes originais — animações criadas do zero, sem serem baseadas em mangás (quadrinhos japoneses) — em parceria com estúdios japoneses. Recentemente, o serviço de streaming Max, da Warner Bros., lançou uma versão em anime da popular série Rick and Morty, além do anime do Esquadrão Suicida.

Para empresas e produtoras que planejam investir no mercado de anime, é crucial obter insights sobre as preferências do público. Saber quais animes são mais bem avaliados pelos usuários é um indicador importante da qualidade, e entender esses fatores pode ajudar as empresas a identificar as características que tornam essas produções bem-sucedidas.

Outro aspecto relevante é a análise dos estúdios de animação. Examinar quais estúdios têm o maior número de sucessos em termos de popularidade ou melhor avaliação pelos usuários, bem como identificar estúdios que têm crescido em lançamentos ao longo dos anos, são métricas importantes. Essas informações são valiosas para investidores ocidentais que buscam parcerias com estúdios capazes de produzir conteúdo de alta qualidade e sucesso comercial.

A análise dos gêneros também é essencial, tanto sob a ótica demográfica quanto temática. Entender como as preferências do público evoluíram ao longo do tempo, bem como o surgimento de novos temas e gêneros, pode fornecer uma visão clara das tendências de consumo e ajudar a moldar decisões estratégicas sobre futuros investimentos no setor.

Popularidade de Estúdios

Certos estúdios são conhecidos por consistência na qualidade ou por produzirem hits consecutivos.

Identificar os estúdios que produzem a maior parte dos animes de sucesso pode ajudar a empresa a formar parcerias estratégicas com esses estúdios, garantindo uma maior chance de sucesso no investimento.

abaixo mostramos a pontuação média de 20 estudios com mais de 70 animes, no periodo de 2010 até 2023, foi feita essa restrição de animes para que apenas estudios mais consolidados no mercado pudessem participar.há pequena variação entre a média do top 20, mostrando que qualquer um seria um bom investimento.

# Filtrar os dados para o período desejado (se aplicável)
anime_data_filtered <- anime_data_filtered %>%
  separate_rows(Studios, sep = ",") %>%
  filter(Aired.Year >= 2010 & Aired.Year <= 2023)

# Calcular a pontuação média e o total de animes por estúdio
studio_score <- anime_data_filtered %>%
  group_by(Studios) %>%
  summarise(Average_Score = mean(Score, na.rm = TRUE),
            Total_Animes = n(), .groups = 'drop') %>%
  filter(Total_Animes >= 70) %>%
  arrange(desc(Average_Score))

# Selecionar os 20 primeiros estúdios
top_studios <- head(studio_score, 20)

# Criar o gráfico
ggplot(top_studios, aes(x = reorder(Studios, Average_Score), y = Average_Score)) +
  geom_bar(stat = "identity") +
  coord_flip() +
  labs(title = "Pontuação Média por Estúdio com pelo menos 70 Animes", x = "Estúdio", y = "Pontuação Média") +
  theme_minimal()

Estúdios que lançam muitos animes podem ter um impacto significativo no mercado. Se esses estúdios têm uma boa reputação e são conhecidos por produções de qualidade, eles podem ser candidatos fortes para investimentos.

# Filtrar os dados para o período de 2010 a 2023
filtered_data <- anime_data_filtered %>%
  separate_rows(Studios, sep = ",") %>%
  filter(Aired.Year >= 2010 & Aired.Year <= 2023) %>%
  drop_na(Studios) # Remove linhas onde Studios é NA

# Contar o número total de lançamentos por estúdio
studio_counts <- filtered_data %>%
  group_by(Studios) %>%
  summarise(Total_Animes = n(), .groups = 'drop') %>%
  arrange(desc(Total_Animes))

# Selecionar os 5 estúdios com mais lançamentos
top_5_studios <- studio_counts %>%
  top_n(5, Total_Animes)

Estúdios com muitos animes populares tendem a acumular mais favoritos. Estúdios que têm um alto número de favoritos podem também estar criando obras que atingem uma audiência de massa, o que é um bom sinal para os investidores. neste gráfico podemos ver que estúdios com boas médias também estão como os mais favoritados entre os fãs, mostrando que há uma boa qualidade nas suas produçÕes, fazendo com que detenha uma boa nota e seja amado pela comunidade.

# Filtrar e agrupar os dados para somar o número de favoritos por estúdio
studio_favorites <- anime_data_filtered %>%
  separate_rows(Studios, sep = ",") %>%
  filter(!is.na(Studios), !is.na(Favorites)) %>%
  group_by(Studios) %>%
  summarise(Total_Favorites = sum(Favorites, na.rm = TRUE)) %>%
  arrange(desc(Total_Favorites)) %>%
  top_n(10, Total_Favorites) # Selecionar os 10 estúdios mais favoritados

# Criar o gráfico de barras com ggplot2
ggplot(studio_favorites, aes(x = reorder(Studios, Total_Favorites), y = Total_Favorites)) +
  geom_bar(stat = "identity", fill = "lightblue") +
  coord_flip() +
  labs(title = "Estúdios Mais Favoritados pelos Fãs",
       x = "Estúdio", y = "Total de Favoritos") +
  theme_minimal()

Origem baseado na popularidade

Aqui iremos analisar, a questão da fonte do surgimento do anime, qual é o estilo de adaptação de anime que é mais popular entre os fãs? sabendo disso, investir no estilo mais popular pode trazer uma boa lucratividade.

A maioria dos animes populares vem de uma fonte específica, como Mangá ou Game, o investidor pode considerar direcionar seus recursos para estúdios e projetos que adaptam essas obras. Isso aumentaria a probabilidade de sucesso, pois já existe uma base de fãs sólida para essas fontes.

# Filtrar e agrupar os dados
top_animes <- anime_data_filtered %>%
  separate_rows(Source, sep = ",") %>%
  filter(!is.na(Source)) %>%
  group_by(Source) %>%
  summarise(Total_Popularity = sum(Popularity, na.rm = TRUE), .groups = 'drop') %>%
  arrange(desc(Total_Popularity))

# Criar o gráfico de pizza
ggplot(top_animes, aes(x = "", y = Total_Popularity, fill = Source)) +
  geom_bar(width = 1, stat = "identity") +
  coord_polar(theta = "y") +
  labs(title = "Distribuição da Popularidade dos Animes por Origem",
       x = NULL, y = NULL) +
  theme_void() +
  theme(legend.title = element_blank())

Se uma fonte é muito popular, mas as pontuações médias de seus animes são baixas,como a fonte Game, que é uma da mais populares, mas dentre as fontes em relação a média de rank dos seus animes ela fica bem atrás, E isso pode indicar que, embora haja demanda, a qualidade percebida não é tão alta. Isso ajudaria o investidor a evitar colocar dinheiro em adaptações que podem não manter o público a longo prazo.

# Filtrar e agrupar os dados para obter as fontes com os melhores animes rankeados (menores valores de Rank)
best_ranked_sources <- anime_data_filtered %>%
  separate_rows(Source, sep = ",") %>%
  filter(!is.na(Source), !is.na(Rank)) %>%
  group_by(Source) %>%
  summarise(Average_Rank = mean(Rank, na.rm = TRUE), Total_Animes = n()) %>%
  arrange(Average_Rank) %>%  # Menor rank significa melhor
  top_n(-200, Average_Rank)   # Selecionar as 10 melhores fontes

# Criar o gráfico de barras com ggplot2
ggplot(best_ranked_sources, aes(x = reorder(Source, Average_Rank), y = Average_Rank)) +
  geom_bar(stat = "identity", fill = "lightgreen") +
  coord_flip() +
  labs(title = "Fontes com os Melhores Animes Rankeados(menor melhor)",
       x = "Fonte", y = "Média de Rank") +
  theme_minimal()