Algorithms and Producers – An Evidence-Based Approach to Target Audience Definition and Revenue Prediction for Feature Film Producers

  • With the rise of streaming platforms and direct-to-consumer business models, big data and audience analytics have emerged as powerful new ways to define target audiences and predict movie revenues in the film industry’s public discourse. Yet while major studios have since launched proprietary internal data science efforts, the role such technologies could play for the practice of independentWith the rise of streaming platforms and direct-to-consumer business models, big data and audience analytics have emerged as powerful new ways to define target audiences and predict movie revenues in the film industry’s public discourse. Yet while major studios have since launched proprietary internal data science efforts, the role such technologies could play for the practice of independent producers remains unclear. In an effort to close that gap, this dissertation examines how the way feature film producers define their target audience and forecast box office revenues might be improved upon by the use of large sets of individual user data and digital methods of modeling movie preferences. Drawing from the productions studies approach, we establish in an exploratory qualitative study that German independent feature film producers mostly base their target audience definitions on vague, anecdotal evidence, and use intuitive box office forecasts mainly to win over financiers. We then take a look at scientific studies on target audience definition and revenue prediction for feature films and identify reasons for why their results have not been more widely adopted among practitioners. Subsequently, we propose an approach to evidence-based target audience definitions building on recommender algorithms and movie preference modeling at the individual level. Using several datasets on German moviegoers (n = 2,374, n = 6,564, and n = 700, respectively), we confirm that past movie choices indeed provide reliable information on future behavior that can be exploited for efficient targeting. Targeting by as few as three past movie choices also is on average more efficient than targeting by demographic proxies (gender and age). The increase in targeting efficiency as compared to targeting by gender is statistically significant. Outlining a possible practical application, we go on to show that it is possible to develop clusters of similar viewers based on such data, and that such clusters can be used efficiently for target audience definition. Concerning revenue prediction, we utilize a large open dataset on individual users’ movie preferences to compute movie similarities for a sample of 1,093 movies released in the United States between 2004 and 2015 and show that regression models trained on sub-samples of similar movies only lead to better revenue prediction results than models built on the entire dataset. Finally, we address some critical concerns and lay out an agenda for further research on the road to practical implementation of our insights.zeige mehrzeige weniger
  • Mit dem Aufkommen von Streaming-Plattformen und Direct-to-Consumer-Geschäftsmodellen haben Big Data und Audience Analytics als potentiell chancenreiche neue Methoden zur Definition von Zielgruppen und zur Prognose von Einspielergebnissen in den öffentlichen Diskurs der Filmindustrie Einzug gehalten. Doch während die großen Studios interne Data-Science-Abteilungen aufbauen, bleibt unklar, welcheMit dem Aufkommen von Streaming-Plattformen und Direct-to-Consumer-Geschäftsmodellen haben Big Data und Audience Analytics als potentiell chancenreiche neue Methoden zur Definition von Zielgruppen und zur Prognose von Einspielergebnissen in den öffentlichen Diskurs der Filmindustrie Einzug gehalten. Doch während die großen Studios interne Data-Science-Abteilungen aufbauen, bleibt unklar, welche Rolle solche Technologien für die Praxis unabhängiger Produzent:innen spielen könnten. Um diese Lücke zu schließen, untersucht diese Dissertation, ob die Art und Weise, wie Spielfilmproduzent:innen ihr Zielpublikum definieren und die Umsätze an der Kinokasse prognostizieren, durch die Verwendung großer Mengen individueller Nutzer:innendaten und digitaler Methoden zur Modellierung von Filmpräferenzen verbessert werden könnte. Ausgehend vom Ansatz der Production Studies stellen wir in einer explorativen qualitativen Studie fest, dass deutsche unabhängige Spielfilmproduzent:innen ihre Zielgruppendefinitionen meist nur auf anekdotische Evidenz stützen und intuitive Box-Office-Prognosen vor allem nutzen, um Geldgeber:innen zu überzeugen. Anschließend werfen wir einen Blick auf wissenschaftliche Studien zur Zielgruppendefinition und Einspielergebnisprognose für Spielfilme und identifizieren Gründe, warum deren Ergebnisse in der Praxis nicht weiter verbreitet sind. Darauf aufbauend schlagen wir einen Ansatz für evidenzbasierte Zielgruppendefinitionen vor, der auf Empfehlungsalgorithmen und der Modellierung von Filmpräferenzen auf individueller Ebene beruht. Anhand verschiedener Datensätze zu deutschen Kinobesucher:innen (n = 2.374, n = 6.564 bzw. n = 700) bestätigen wir, dass vergangene Kinobesuchsentscheidungen und Filmbewertungen tatsächlich zuverlässige Informationen über zukünftiges Verhalten liefern, die für ein effizientes Targeting genutzt werden können. Wir stellen fest, dass bereits drei vergangene Kinobesuchsentscheidungen pro Zuschauer:in mehr Aufschluss über deren Präferenzen geben als demographische Parameter (Geschlecht und Alter, wobei lediglich die Verbesserung der Targeting-Effizienz gegenüber Gender-Targeting statistisch signifikant ist). In einem Ausblick auf eine mögliche praktische Anwendung zeigen wir, dass es möglich ist, auf Basis solcher Daten Segmente ähnlicher Zuschauer:innen zu entwickeln, und dass diese Cluster effizient für die Definition von Zielgruppen genutzt werden können. Im Hinblick auf Umsatzvorhersagen verwenden wir einen großen offenen Datensatz zu den Filmpräferenzen einzelner Nutzer:innen, um Filmähnlichkeiten für eine Stichprobe von 1.093 Filmen zu berechnen, die zwischen 2004 und 2015 in den USA veröffentlicht wurden. Wir zeigen auf dieser Grundlage, dass Regressionsmodelle, die auf Teilstichproben ähnlicher Filme geschätzt wurden, zu genaueren Umsatzvorhersagen führen als Modelle, die den gesamten Datensatz zur Grundlage nehmen. Abschließend gehen wir auf kritische Erwägungen ein und skizzieren eine Agenda für die weitere Forschung auf dem Weg zu einer praktischen Anwendbarkeit der gewonnenen Erkenntnisse.zeige mehrzeige weniger

Dateien herunterladen

Metadaten exportieren

Metadaten
Verfasserangaben:Jannis Funk
URN:urn:nbn:de:kobv:po75-opus4-3340
DOI:https://doi.org/10.60529/334
Verlag:Filmuniversität Babelsberg KONRAD WOLF
Verlagsort:Potsdam
Gutachter*in:Daniela Schlütz, Susanne Stürmer
Betreuer:Susanne Stürmer
Dokumentart:Dissertation
Sprache:Englisch
Jahr der Fertigstellung:2021
Datum der Veröffentlichung (online):12.01.2023
Jahr der Erstveröffentlichung:2023
Veröffentlichende Institution:Filmuniversität Babelsberg Konrad Wolf
Titel verleihende Institution:Filmuniversität Babelsberg Konrad Wolf
Datum der Abschlussprüfung:27.05.2021
Datum der Freischaltung:12.01.2023
Freies Schlagwort / Tag:Erfolgsprognose; Kinofilm; Medienmanagement; Medienwirtschaft; Zielgruppen
GND-Schlagwort:MedienwirtschaftGND; StreamingGND; Big DataGND; FilmwirtschaftGND; ZielgruppeGND; FilmproduktionGND
Seitenzahl:249
Bemerkung:
This published version of the thesis is identical to the examined version except for a numerical mistake in subsection 4.6.3 that has been corrected.

This work is published under a Creative Commons Attribution 4.0 International License (CC-BY). The full text of the license agreement may be found here: https://creativecommons.org/licenses/by/4.0/
Lizenz (Deutsch):License LogoCreative Commons - CC BY - Namensnennung 4.0 International
Verstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.