Uma análise exploratória de aproximadamente 5.000 filmes utilizando estatística descritiva e visualização de dados.
Analisar padrões do conjunto TMDB 5000 por meio da classificação das variáveis, medidas estatísticas e representações gráficas.
Base extraída do The Movie Database contendo dados sobre filmes, como orçamento, receita, popularidade, idiomas e avaliações.
Desenvolvido em R utilizando as bibliotecas ggplot2, dplyr, jsonlite e o FlexDashboard.
Interpretação. O gráfico apresenta a quantidade de filmes lançados por ano. A variável ano de lançamento possui natureza temporal, enquanto a quantidade de filmes em cada ano é uma variável quantitativa discreta, pois representa uma contagem. A visualização permite observar períodos de maior concentração de lançamentos no conjunto de dados, indicando que a base possui maior presença de filmes de décadas mais recentes.
Interpretação. O gráfico mostra a frequência dos gêneros cinematográficos mais comuns. A variável analisada é gênero, classificada como qualitativa nominal, pois identifica categorias sem uma ordem natural entre elas. O gênero mais frequente no conjunto é Drama. Como um filme pode pertencer a mais de um gênero, as contagens representam ocorrências de gênero, não necessariamente filmes exclusivos.
Interpretação. Este gráfico apresenta a distribuição dos idiomas originais dos filmes. A variável idioma original é qualitativa nominal, pois seus valores são categorias de identificação, como EN, FR ou ES, sem hierarquia estatística entre elas. O idioma mais frequente é EN, evidenciando a predominância de produções associadas a esse código linguístico na base.
Interpretação. O gráfico apresenta uma classificação
das notas médias dos filmes em quatro categorias: baixa, regular, boa e
excelente. A variável exibida é categoria de avaliação,
classificada como qualitativa ordinal, pois suas
categorias possuem uma ordem natural de desempenho. Essa classificação é
derivada da variável numérica vote_average. A categoria
mais frequente é Boa, indicando a faixa de avaliação
predominante entre os filmes analisados.
Interpretação. O gráfico apresenta a distribuição da
variável vote_count, que mede quantos votos cada filme
recebeu. Essa variável é quantitativa discreta, pois
resulta de uma contagem em números inteiros. A escala logarítmica foi
utilizada porque poucos filmes concentram quantidades muito altas de
votos, enquanto muitos filmes possuem quantidades menores. Essa escolha
melhora a leitura sem alterar a natureza da variável.
Interpretação. O gráfico representa a distribuição do orçamento de produção. Essa variável é tratada como quantitativa contínua, pois expressa uma medida monetária em escala numérica, permitindo comparação de magnitude entre filmes. A escala logarítmica é adequada porque os valores apresentam grande amplitude, com poucos filmes de orçamento muito elevado e muitos filmes em faixas menores.
Interpretação. O gráfico apresenta a distribuição da receita de bilheteria. A variável é quantitativa contínua, pois corresponde a uma medida monetária. Assim como o orçamento, a receita possui grande variação entre os filmes, o que justifica o uso da escala logarítmica. A visualização evidencia a assimetria da distribuição, comum em dados financeiros do setor cinematográfico.
Interpretação. O gráfico analisa a relação entre orçamento e receita, ambas variáveis quantitativas contínuas. A escala logarítmica foi aplicada porque os valores financeiros variam de forma muito ampla. A linha tracejada indica o ponto em que receita e orçamento são iguais; pontos acima dela sugerem receita superior ao orçamento. A correlação de Spearman de 0,68 indica a intensidade da associação monotônica entre as variáveis.
Interpretação. O ROI mede o retorno relativo do
orçamento investido, calculado por (receita - orçamento) /
orçamento. Essa variável é quantitativa
contínua, pois expressa uma razão numérica que pode assumir
diferentes magnitudes. Valores acima de zero indicam que a receita
superou o orçamento informado. No conjunto analisado, o ROI mediano é
130% e aproximadamente 76% dos filmes
com dados financeiros válidos apresentam ROI positivo. Esse indicador
não deve ser interpretado como lucro final, pois o dataset não inclui
todos os custos de distribuição, marketing e impostos.
Interpretação. O gráfico compara o ROI mediano entre gêneros cinematográficos. A variável gênero é qualitativa nominal, enquanto o ROI mediano é uma medida quantitativa contínua resumida por grupo. O uso da mediana reduz a influência de valores extremos, frequentes em dados financeiros de cinema. Como filmes podem ter múltiplos gêneros, cada título contribui para todos os gêneros aos quais pertence.
O dashboard evidencia que o TMDB 5000 possui uma ampla representação de filmes produzidos ao longo das últimas décadas, com concentração em determinados gêneros e grande assimetria nas variáveis financeiras e de votação. Por esse motivo, escalas logarítmicas foram utilizadas nas análises de orçamento, receita e quantidade de votos, melhorando a legibilidade dos gráficos.
As variáveis qualitativas nominais, como gênero e idioma original, foram representadas por gráficos de barras. A classificação ordinal das avaliações foi construída a partir da nota média dos usuários, permitindo uma leitura categórica ordenada.
Na análise financeira, orçamento e receita foram tratados como variáveis quantitativas contínuas. A relação entre elas foi apresentada em seção própria de correlação, e o ROI foi incorporado como indicador complementar de retorno relativo. A interpretação do ROI deve ser feita com cautela, pois a base não contém todos os custos envolvidos na produção e comercialização dos filmes.
Observação metodológica: registros com orçamento ou receita iguais a zero foram tratados como valores ausentes, pois no contexto do dataset esses zeros geralmente indicam informação não disponível, e não ausência real de orçamento ou arrecadação.