Lassen sich mit Social-Media-Analysen die Absatzprognosen für Vertrauensgüter verbessern? Wechselwirkungen bei der Kommunikation über Filme vor dem Kinostart

Abstract

Die vorliegende Untersuchung präsentiert am Beispiel des deutschen Kinomarkts die Ergebnisse eines Screening-Ansatzes verschiedener Social-Media-Metriken und -Kanäle. Ziel der Studie ist es zum einen, jene Kommunikationskanäle zu identifizieren, die eine signifikante Absatzwirkung aufweisen. Weiterhin werden die Wechselwirkungen zwischen dem Kommunikationsumfang einzelner Kommunikationskanäle im Zeitverlauf untersucht. Zu diesem Zweck werden autokorrelative sowie kreuzverzögerte Effekte für einen Zeitraum von zwölf Wochen vor dem Kinostart synchron modelliert. Bislang werden Kommunikationsprozesse vor der Markteinführung in Erfolgsfaktorenmodellen für Medienprodukte – ebenso wie in der Diffusionsforschung generell – vernachlässigt. Der Ansatz erlaubt es, Pfadabhängigkeiten im zeitlichen Verlauf unterschiedlicher Kommunikationsangebote zu untersuchen und gibt einen Einblick in deren Wachstumsprozess. Durch Reduktion auf relevante Kommunikationsindikatoren und deren Ausprägung zu frühen Zeitpunkten lässt sich Social-Media-Kommunikation als zusätzliche erklärende Variable in Prognosemodelle für Medienprodukte und andere Vertrauensgüter integrieren.

The study examines the pre-release promotional strategies of movies introduced in Germany. These strategies are analyzed with respect to various social media metrics and the channels of communication employed. It aims to identify those pre-release social media channels and indicators that significantly influence sales. Lagged and cross-lagged effects are modeled synchronously for a period of twelve weeks before the theatrical release. Until now, communication processes before the launch have been understudied in comparable success factor and diffusion models. The approach thus allows insights in path dependencies between different social media metrics and their growth process. This is of particular relevance for forecast models, as it allows focusing on relevant indicators and points in time, leading to more parsimonious models.