A compreensão dos determinantes da demanda de um bem ou serviço específico é parte essencial do ato de prever seu comportamento. A demanda no cinema é incerta, o que torna o exercício de projeção uma tarefa árdua na medida em que os modelos lineares de predição, como os que utilizam o método dos mínimos quadrados, mostram-se pouco aderentes às suas características. Se, por um lado, os formuladores de políticas públicas e tomadores de decisão ancoraram suas ações em frágeis alicerces, a disseminação de métodos mais robustos de análise, com aprendizagem computacional, mostra-se um fértil campo. Grande parte da literatura de modelos empíricos que buscam aplicar aprendizado de máquinas para predição de bilheteria foram desenvolvidos em nações em que a produção estrangeira não representa uma ameaça à indústria nacional. Particularidades do contexto brasileiro trazem desafios relevantes para adaptação das variáveis. Nesse sentido, a presente tese visa colaborar com a literatura apresentando um modelo de determinantes da demanda aplicável a indústrias cinematográficas que não são autossustentáveis e que sofram forte influência de mídias de maior popularidade, como a televisão. Após análise das políticas públicas voltadas para o cinema e uma breve cinematografia das produções de maior sucesso de bilheteria no período de análise, constatouse que o foco dos recursos públicos na etapa de produção, a profissionalização enfrentada por esse elo, o afluxo de profissionais entre os campos do cinema e da televisão e a consolidação da televisão como mídia hegemônica trouxeram a necessidade de adaptação de duas variáveis relevantes do modelo: o poder da produtora e poder do ator famoso. Por meio de novas métricas adaptadas ao contexto brasileiro e com poder explicativo, o modelo dos determinantes da demanda se mostrou robusto.

Understanding the determinants of demand for a specific good or service is essential to predicting its behavior. The demand for cinema is uncertain, which makes the demand projection exercise an arduous task. Linear prediction models, such as those using the least squares method, show little adherence to their characteristics. If public policymakers and decision-makers anchored their actions on fragile foundations, disseminating more robust analysis methods with computational learning proves to be prosperous. Much of the literature on empirical models that apply machine learning to box office prediction was developed in nations where foreign production does not threaten the domestic industry. Particularities of the Brazilian context bring relevant challenges to the adaptation of variables. In this sense, the present thesis aims to collaborate with the literature by presenting a model of determinants of demand applicable to film industries that are not self-sustainable and are strongly influenced by more popular media, such as television. After analyzing the public policies aimed at the cinema and describing a short cinematography of the most successful productions at the box office in the period of analysis, it was discovered that the focus of public resources in the production stage, the professionalization faced by this link, the influx of professionals between the fields of cinema and television and the consolidation of television as a hegemonic media brought the need to adapt two relevant variables of the model: the power of the producer and the power of the famous actor. The demand determinants model proved robust through a new metric adapted to the Brazilian context and explanatory power.