📊
实时票房看板
分钟级刷新全国大盘，单日票房、场次与人次三条曲线叠在一起看，哪部片子在哪座城市突然抬头一目了然。对比历史同期数据，帮助宣发团队判断走势拐点，及时调整投放节奏与资源配比。
把散落在各处的数字收拢到一块屏幕上，从大盘到单店，需要几步就有几步。
分钟级刷新全国大盘，单日票房、场次与人次三条曲线叠在一起看，哪部片子在哪座城市突然抬头一目了然。对比历史同期数据，帮助宣发团队判断走势拐点，及时调整投放节奏与资源配比。
从开票当天起盯住预售转化率，把想看人数、购票占比和退改签比例拆开来看，提前预判开画体量。预售曲线与同档期项目横向对比，为定档策略和票补节奏提供可落地的数据依据。
一线到五线的贡献占比逐层拆解，按省份、城市等级、商圈密度看观众聚集在哪里。配合影院维度的场均人次，快速找到票房增长点，让地推预算落在真正有转化空间的地方。
把播放指数、讨论量和追更留存放进同一个坐标系，看剧集从开播到收官的热度曲线如何起伏。演员出场与话题拐点自动标注，帮助内容团队复盘节奏，也为平台采买提供参考。
综合作品表现、话题声量与受众结构，为演员输出可视化的商业价值画像。哪类角色更受欢迎、哪个年龄段观众更买账，都能在图表中找到答案，选角与代言评估因此更有效率。
基于历史档期数据与预售表现，给出票房区间预估和趋势走向，标注乐观与保守两种情形。节假日、天气、竞品定档等变量同步纳入模型，让排片会议少一些拍脑袋，多一些依据。
当前热播内容的实时表现与口碑概览，每条数据都会随着场次变化同步刷新。
好用的数据工具，不该让人先学一周才看得懂。
全国大盘数据按分钟级同步，场次变动、退票波动、午夜场异动都会在第一时间反映在看板上。早会上看到的数字，和你此刻打开的页面是一致的，不需要再等一份隔夜的报表。
票房、人次、场次、均价四个基础指标全部给出定义与计算方式，避免跨部门开会时各说各话。同一份数据可以按日、按周、按档期切换视角，口径始终统一，结论才站得住。
从省到市，从商圈到单店，从影片到单片单日，颗粒度可以一路下钻。想看清楚某个城市某家影院的排片效率，点两下就能得到答案，不必再导出原始表格反复加工。
过去多个档期的完整数据被妥善留存，横向对比同一类影片在不同年份的表现，或者把今年的春节档与往期并排观察，趋势判断因此有了可验证的参照物，而不是凭印象下结论。
配色克制、层级分明的可视化设计，重点数字永远在最显眼的位置。移动端也能清楚看清曲线拐点，开会时把手机递过去，对方三秒就能抓住关键结论，不用再逐字解释。
宣发、排片、采买、投资四类角色各有专属看板，打开即是自己关心的指标。少一些无关信息的干扰，把注意力留给真正影响决策的那几个数字，日常工作效率会明显不同。
把看数据的方法讲清楚，比给一个结论更有价值。
很多人打开票房看板，反应是看今天涨了没有。涨了松一口气，跌了开始焦虑。但单日的涨跌往往受排片、天气、节假日甚至一场突如其来的降雨影响，把它当成唯一的判断依据，很容易误读整部片子的走向。
一部影片的单日票房从来不是孤立数字。它首先属于当天的大盘，其次才属于自己。把影片的单日票房除以当日大盘，得到的份额变化曲线，比绝对数字更能说明问题：大盘整体回落的周三，份额上涨意味着影片的抗跌性不错；大盘暴涨的周末，份额下滑则说明它没有跟上节奏。先做这一步换算，很多焦虑会自动消失。
票房由人次和均价共同决定。人次看的是吸引力，均价看的是观众结构。一部影片如果人次在涨、均价在降，多半是低线城市的观众开始进场，这是扩散期正常的信号；反过来，人次下滑而均价上升，可能是票补退出后的自然回落，不必急着下结论。再看排片占比与上座率的关系：排片高而上座率低，说明还有调整空间；排片低而上座率高，则是加场的明确信号。
首先是预售。开画前的预售高低决定了起片体量，但真正有价值的是预售转化率，也就是想看人数里最终有多少人真正买票。其次是退改签比例。当某天退票率明显高于平时，往往意味着口碑出现了波动，此时再去翻社交平台的讨论，就能对上号。最后是城市层级的下沉速度。一部片子从一线扩散到三四线要花几天，这个时间差决定了它的长尾能拖多长。
所有指标最终都指向同一件事：观众为什么来，又为什么不来了。数据本身不会给出解释，但它能告诉你该去哪里找原因。把看板当成一面镜子，而不是一杆秤，判断会稳很多。这也是猫眼专业版在指标设计上一直坚持的思路——把变化摊开，把对比做足，把结论留给使用者自己去下。
来自宣发、院线、研究与内容策划一线的真实使用感受。
我习惯在定档前先看一眼同类型影片的预售转化率，那个数字比任何主观判断都诚实。猫眼专业版把历史档期的对比放在同一个页面上，省掉了我自己去拼表格的时间，开会时也更容易把话说清楚。
排片这件事，说到底是在有限的场次里做取舍。每天早会前我会把上座率和场均人次过一遍，哪些片子该加场、哪些该收，看一眼就心里有数。数据一旦透明，和片方的沟通反而轻松了不少。
做行业研究最怕数据口径不一致。同一部影片在不同渠道的票房数字对不上，结论就站不住脚。把基础指标的定义统一起来，是这个平台最被低估的价值，也是我愿意长期用它做底稿的原因。
剧集的热度曲线比电影更考验耐心，前三集留不住人，后面再好看也难救。监测开播前七十二小时的追更留存，几乎可以预判这部剧的走向，这个习惯让我少走了很多弯路。
数据工具正在把决策的时间窗口，从上映之后挪到上映之前。
过去几年，影视行业对数据的用法发生了一个明显的变化：从上映之后看结果，转向上映之前看过程。定档、点映、预售、开画排片，每一个环节都在被拆解成可观测的指标，决策的窗口因此被大幅前移。
变化背后是两股力量。一是观众的选择越来越分散，靠经验押注成功的概率在下降；二是数据工具的门槛在降低，中小团队也能用上和大厂接近的分析能力。当“这部片子能卖多少”可以被拆成一串过程指标，讨论就从拍脑袋变成了对模型的分歧。
另一个趋势是颗粒度变细。过去看全国大盘，现在看城市、看商圈、看单店；过去看单日票房，现在看分时走势。细颗粒度带来的不只是精度，还有发现问题的速度——某家影院的上座率异常，往往在两三天内就能被识别出来。
当然，数据也有它的边界。它擅长描述已经发生的事，对尚未发生的偏好只能给出概率。真正拉开差距的，还是创作者对题材的判断和对观众情绪的感知。工具做得越好，越应该让人把精力放回到内容本身。
从一个很朴素的问题开始，一直做到今天。
猫眼专业版的故事，起点其实很朴素。几个做电影宣发的年轻人，每天要在不同的表格之间来回切换，只为搞清楚一件事：昨天那部片子，到底是在哪座城市掉的量。后来他们干脆把数据整理到一个页面上，谁需要谁打开看，这个习惯慢慢变成了一套工具。
这些年过去，影视行业变了，观众的选择变了，判断一部作品能不能成的依据也变了。唯一没变的是那个最初的问题——数字背后到底发生了什么。我们做实时票房、做预售追踪、做城市下钻、做剧集热度，本质上都是在回答这个问题。
我们相信数据不该只服务于少数人。一个刚入行的排片助理，和一个操盘过多个档期的制片人，应该看到同样清晰的信息。因此平台上的基础指标始终免费开放，复杂功能也尽量把计算过程摆出来，而不是藏在一个黑箱里。
我们也清楚数据的边界。它能告诉你昨天发生了什么，能在一定程度上提示明天可能怎样，但永远无法替代创作者对题材的判断、对观众情绪的感知。工具做得越好，越应该把精力还给内容本身。
目前，猫眼专业版服务的对象覆盖宣发团队、院线影院、内容平台、投资机构以及大量独立研究者。每一条来自一线的反馈，都会被写进下一版的迭代清单。这件事我们会一直做下去，因为市场永远在变，理解市场的方式也得跟着变。
平台近期更新的功能与观察，按发布时间排列。
新增按小时切分的走势曲线，把午夜场与黄金场的差异单独呈现。对于夜间消费明显的城市，判断会更加准确。
查看详情 →商圈维度的场均人次和上座率正式开放，同一城市内不同片区的表现差异一眼可见。地推资源的分配因此有了更细的参照。
查看详情 →追更留存与播放指数并列展示，能够看到观众在第几集开始流失。内容团队复盘节奏时，多了一个可量化的参照点。
查看详情 →可以自由选择两个档期并排观察，预售、开画与长尾阶段的差异被清晰标出。做年度复盘时，整理成本明显降低。
查看详情 →在原有维度上补充了年龄与城市层级的分布，画像颗粒度进一步提升。选角讨论时，评估角度也变得更立体。
查看详情 →分享链接可以设置有效天数，过期自动失效。外部合作方查看数据时，安全性和便利性之间有了更好的平衡。
查看详情 →关于数据口径、功能使用与协作方式的常见问题，点击标题即可展开。
大盘票房、场次和人次按分钟级同步，页面上的数字基本能反映当下的真实情况。预售和退改签数据会有短暂延迟，一般在几分钟内补齐。遇到节假日高峰期，刷新频率还会自动提升。
差异通常来自统计口径和结算时间差，比如是否包含服务费、是否计入点映场。平台会在每个指标旁标注计算方式，方便你对照。做横向对比时，建议始终使用同一来源的数据。
它指的是“想看人数”中最终完成购票的比例，按天滚动计算。转化率高说明观众购票意愿明确，偏低则可能意味着观望情绪重。结合开票时间点看，还能判断宣发节奏是否踩准。
差距因类型而异，粉丝向作品转化通常更高，泛类型片则相对分散。想看人数更适合当作势能指标，而不是票房预测的唯一依据。把它和预售金额、开画排片放在一起看，判断会更稳。
两个指标回答的是不同问题。上座率反映单场效率，场均人次反映整体热度。排片紧张时看上座率，判断要不要加场；评估影片整体表现时，场均人次更有参考价值。
按照商业资源集聚度、人口规模和市场活跃度综合划分，一线到五线逐级展开。划分结果每年会做一次校准，以适应城市发展的实际变化。按城市等级查看，能更清楚地看到票房下沉的路径。
主要档期和重点影片的数据可以回溯到多个年度之前，日常大盘数据也保留了较长的完整记录。回溯时支持按日、按周、按档期切换视角。时间跨度越大，趋势判断的说服力就越强。
支持导出常用的表格格式，方便你在本地做二次加工。导出的字段与页面展示保持一致，避免出现口径错位。团队协作时，也可以直接把看板链接分享给同事。
不完全一样。电影以票房、人次为核心，剧集则更依赖播放指数、讨论量和追更留存。两套逻辑分别适配各自的消费场景，不建议直接跨品类比较。同一品类内做纵向对比，结论会更可靠。
综合作品表现、话题声量、受众结构和商业合作情况，形成一个多维度的画像。每个维度都保留原始数据，方便你判断结论从何而来。不同角色的权重可以在详情页里查看。
排片占比通常指场次占全国总场次的比例，场次占比则更多用于单影院视角。两者在多数情况下接近，但在特殊档期会拉开差距。理解这个差别，能避免开会时各说各话。
评分会随着打分人数的增加而动态调整，样本变化自然会带来波动。刚开分时样本少，起伏会更明显。建议关注评分的走势曲线，而不是某一个瞬间的数字。
预估基于历史同类影片的表现和当期预售情况，给出乐观与保守两个区间。它不是确定答案，而是帮助你把讨论聚焦在区间之内。实际走势偏离区间时，反而值得回头找原因。
可以。项目之间相互独立，切换时不需要重新登录或反复筛选。每个项目都能单独设置关注的指标和提醒。对同时跟进多部影片的团队来说，这一点能省下不少时间。
可以下钻到省份、城市甚至单个影院。下钻之后，页面上的所有图表都会同步更新。想看某个城市近一周的排片效率，几步就能定位到。
先看大盘，再看影片自身，最后看单城市和单影院。多数异常来自场次调整或退票集中，少数情况是统计延迟。按这个顺序逐层排除，通常几分钟内就能定位到原因。
建议先从大盘页看起，熟悉票房、人次、场次三个基础指标，再逐步接触预售和城市维度。每天花十分钟看一遍关键数字，两周左右就能形成自己的判断框架。复杂功能可以按需再学。
可以按角色划分查看和编辑权限，避免误操作影响他人。数据看板支持只读分享，外部合作方也能安全查看。权限调整即时生效，不需要重新登录。
两端读取同一套数据源，指标和口径完全一致。区别只在展示方式上，移动端做了更紧凑的排版。开会时用手机查看关键数字，回到工位再打开完整看板，不会有落差。
先确认网络是否正常，再刷新页面重试。如果只有个别模块空白，多半是请求超时，稍等片刻即可恢复。持续异常时，可以换一个浏览器或清理一下缓存再试。
来自宣发、院线、研究与独立观察者的日常使用记录，列表会持续向下滚动。
早上开会前先看一眼大盘，已经成了习惯。场次和人次的曲线放在一起，一眼就知道今天该盯哪部片子。
城市下钻做得很细，上周靠它发现两个三线城市的排片效率明显偏低，调整之后周末的场均人次上来了。
预售转化率这个指标很实用，比单看想看人数靠谱得多。就是希望能再加一个自定义时间段的对比功能。
做了六年排片，最怕各渠道数字对不上。这个平台把口径写清楚了，跟片方沟通的时候少了很多来回拉扯。
剧集热度曲线会标注话题拐点，复盘的时候特别省事，不用自己一格一格地对照时间线。
整体体验不错，图表配色看着舒服。移动端如果能再精简一点首屏信息就更好了。
退改签比例这个细节以前完全没注意，用了之后才发现它跟口碑波动的关系这么紧。
分析师视角说一句，历史数据回溯的完整度很高，做年度对比的时候省了大量清洗工作。
导出功能挺顺手，字段和页面一致，不用再对着两套数据反复核对。
档期日历给的区间预估很有参考价值，讨论的时候大家更容易聚焦在区间内，而不是各执一词。
演员商业价值那块的受众结构拆解很有启发，选角的时候多了一个可以量化的角度。
功能很全，新人的话建议先看大盘页。我一开始被一堆指标吓到，后来慢慢就摸出门道了。
权限分配做得比较细，外部合作方只看只读链接，不用担心数据被误改。
手机上看关键数字完全够用，出差路上也能快速回一下群里的问题。
刷新速度确实快，午夜场的异动也能及时看到。希望以后能加上提醒推送。
做宣发的，最看重的是能提前判断走势。预售和开画排片放在一起看，节奏好把握很多。
场次占比和排片占比的区别终于搞明白了，以前开会真的各说各话。
整体很稳，偶尔遇到加载慢的时候刷新一下就好，不影响使用。
每天十分钟看一遍关键数字，两个月下来对市场的敏感度明显提升。
从数据到结论之间的那一步留给了使用者，这点我很喜欢，工具不该替人做判断。