Der wirtschaftliche Erfolg von Kinofilmen ist schwer vorherzusagen. Um dieses ökonomische Risiko und die Unsicherheit zu minimieren, werden häufig sehr bekannte Schauspieler, sogenannte Stars oder auch Superstars, engagiert. Diese sollen dann mit ihrem Bekanntheitsgrad, so die Theorie, mehr Besucher in die Kinos locken, was wiederum zu höheren Einspielergebnissen führen soll. Die positiven Wirkungen solcher Stars sind jedoch wissenschaftlich umstritten. Weniger erforscht sind bisher mögliche ökonomische Effekte, wenn Stars in der medialen Landschaft negativ, z.B. in Form von Skandalen, begleitet werden. Erhöhen sich die Zuschauerzahlen auch dann, wenn über die bekannten mitwirkenden Hauptdarsteller im Vorfeld des Filmstarts negativ berichtet wird? Oder tritt eher das Gegenteil ein und die Zuschauerzahlen sind niedriger als bei positiven Berichterstattungen. Um diese Fragestellungen zu beantworten, wurden in einem Zeitraum von zwei Jahren über 400 Filme und 1400 Schauspieler in Deutschland dahingehend untersucht, ob eine negative mediale Berichterstattung Auswirkungen auf die Besucherzahlen und die Einspielergebnisse hat. Als theoretische Grundlage wird hierfür aufbauend auf klassischen Themen des Markenmanagements und der Markenführung ein Konzept der Marke Mensch (Human Brands) entwickelt. Dieses Konzept wird dann auf die Filmbranche übertragen. Zusätzlich werden Theorien zur Starforschung, der Skandaltheorie und zu Erfolgsfaktoren für eine Kinoproduktion mit dem besonderen Fokus auf den Faktor Mensch vermittelt.

Christian Poell, Diplom-Kaufmann, wurde 1983 in Köln geboren. Sein Studium der Betriebswirtschaftslehre an der Universität zu Köln schloss der Autor im Jahre 2011 mit dem akademischen Grad Diplom-Kaufmann erfolgreich ab. Zudem belegte der Autor mehrere Seminare zum operativen und strategischen Messemanagement. Bereits während des Studiums sammelte der Autor umfassende praktische Erfahrung im Marketing und Vertrieb, unter anderem in der Veranstaltungs- und Messebranche. Derzeit ist der Autor bei einem der führenden privaten Messeveranstalter tätig und für den Gesamtvertrieb einer Kongressmesse verantwortlich.

Textprobe:Kapitel 5.5, Einfaktorielle Varianzanalyse: Anhand der einfaktoriellen Varianzanalyse (ANOVA) werden ähnlich dem t-Test bei unabhängigen Stichproben die Mittelwerte dahingehend überprüft, ob diese auch in der Grundgesamtheit zu finden sind und welche Gruppen sich unterscheiden. Der Unterschied besteht aber darin, dass hier die unabhängige Variable mehr als zwei Ausprägungen (bzw. Faktorstufen) aufweisen kann. Die abhängige Variable muss dabei metrisch, die unabhängige Variable mindestens nominal verteilt sein. Die Nullhypothese besagt, dass sich die Gruppenmittelwerte der unabhängigen Variable nicht voneinander unterscheiden und somit nicht auf einen Einfluss auf die abhängige Variable geschlossen werden kann.Werden die Produktionsländer als unabhängige Variable und die Anzahl der Treffer und der Skandale als abhängige Variablen betrachtet, so finden sich signifikante Unterschiede der Länder, welche sich auf die Grundgesamtheit übertragen lassen, nur bei der Anzahl der Skandale (SN = 0,050). Dagegen weisen die Ergebnisse bei der Anzahl der Treffer (SN = 0,217) auf keine Einflüsse des Produktionslandes hin.Aufgrund der Begebenheit, dass für einige Produktionsländer weniger als zwei Datensätze vorhanden sind, wurden diese wie schon im Kapitel 5.2. beschrieben, in vier Gruppen zusammengefasst: USA, englischsprachige Filme, deutschsprachige Filme und Sonstige. Hier zeigt sich, dass sich sowohl die Anzahl der Treffer (SN = 0,000) als auch der Skandale (SN = 0,000) innerhalb der Gruppen als auch in der Grundgesamtheit unterscheiden. Anhand der Eta-Statistik kann zudem gefolgert werden, dass 6,6 % der Treffer und 8,1 % der Skandale sich durch den Faktor Produktionsland erklären lassen.Anhand dieser Ergebnisse lässt sich schließen, dass die Mittelwerte der Variablen einzelner Produktionsländer zwar unterschiedlich sind, jedoch lässt sich nicht sagen, welche Gruppen sich genau voneinander unterschieden. Um dieser Frage nachzugehen wurden multiple Vergleichtests durchgeführt. Aufgrund der Ergebnisse des Levene-Test kann nicht von Varianzgleichheit ausgegangen werden (SN = 0,000), sodass hier das Tamhane-T2-Verfahren durchgeführt wurde. Es zeigte sich, dass Filme aus den USA einen höheren Mittelwert bezogen auf die Anzahl der Treffer und der Skandale haben, als Filme aus Deutschland und sonstigen Ländern (SN = 0,000). Auch der Kruskal-Wallis-Test als nicht-parametrisches Testverfahren bestätigt dies (SN = 0,000).Die vollständigen Berechnungen finden sich in den Anhängen A-9 und A-10.Auf eine mehrfaktorielle Varianzanalyse, welche im Gegensatz zur einfaktoriellen Varianzanalyse die Möglichkeit bietet, die Wirkung mehreren unabhängigen nominalen Variablen auf abhängige Variablen zu untersuchen, wird zugunsten einer ausführlichen Regressionsanalyse verzichtet.5.6, Lineare Regressionsanalyse:Anhand einer Regressionsanalyse wird der Zusammenhang zwischen einer metrisch skalierten abhängigen Variablen und einer oder mehreren unabhängigen Variablen untersucht. Um auch nominale Daten mit in die Analyse einbeziehen zu können, wurden diese, wie in Kapitel 4.2.1. geschildert, in Dummy-Variablen umcodiert. Die abhängige Variable ist in fast allen Modellen das Einspielergebnis in Deutschland. Zudem wurden auch Analysen mit der Anzahl der Kopien als abhängige Variable durchgeführt. In einem ersten Schritt wurden zunächst mehrere einfache lineare Regressionsanalysen durchgeführt. Für die Arbeit signifikante Ergebnisse und Variablen wurden dann als Anhaltspunkte für eine zu schätzende multiple Regressionsfunktion benutzt. Für die Regressionsanalyse wurden zusätzlich zu den erhobenen Kontrollvariablen auch noch für einige Filme Daten zu Produktions- und Marketingkosten seitens des betreuenden Lehrstuhls zur Verfügung gestellt, welche in die Analysen einbezogen wurden.5.6.1, Einfache lineare Regressionsanalyse:Bei der einfachen linearen Regression wird die Auswirkung einer unabhängigen Variablen auf eine abhängige Variable untersucht. Die Regressionsgleichung hat hier die allgemeine Form y = a + b ? x mit der abhängigen Variable y, einer Konstante a, welche dem y-Achsenabschnitt entspricht, einem Regressionskoeffizienten b, welcher die Steigung der Regressionsgeraden darstellt, und der unabhängigen Variable x. Aufgrund der Nicht-Linearität der Werte zu den Einspielergebnissen wurden diese in einem ersten Schritt logarithmiert. Die neue Gleichung besitzt demensprechend die Form ln(y) = a + b ? x. Alle weiteren Prämissen für eine Regressionsgleichung (Normalverteilung, keine Multikollinearität, keine Autokorrelation, Homoskedastizität) wurden mittels von PASW überprüft und positiv bestätigt bzw. können aufgrund des zentralen Grenzwertsatzes vernachlässigt werden. Es zeigte sich, dass Homoskedastizität aufgrund des Levene-Testergebnisses nur bedingt vorliegt (SN = 0,403) und die Regressionsanalysen demnach nur vorsichtig interpretiert werden dürfen. Tabelle 26 zeigt die unabhängigen Variablen, die zugehörigen Koeffizienten und Signifikanzen, sowie die jeweiligen Konstanten sowie die Bestimmtheitsmaße der Gleichungen. Als abhängige Variable wurde das Einspielergebnis betrachtet. Die Spalte SN Var. x spiegelt auch gleichzeitig die Güte des Gesamtmodells wieder.