Основные факторы потребительского выбора кинопродукции на российском рынке

Рынок кинопроката является высококонкурентным рынком, что только подчеркивает необходимость оптимизации расходов на производство и продвижение отечественных фильмов при одновременном увеличении потенциала кассовых сборов. Целью данного исследования является определение основных факторов потребительского выбора кинопродукции для просмотра в кинотеатре в современных рыночных условиях как необходимое условие эффективного продвижения. Результаты контент-анализа открытых данных трекера ≪Кинозритель≫ в 2021 г. позволяют определить перечень факторов, определяющих выбор фильма кинозрителями. Их можно разделить на две основные категории: элементы содержания и элементы продвижения. Среди элементов содержания важнейшими являются жанр, сюжет фильма и актерский состав. Важнейшим элементом продвижения является трейлер. Кроме того, среди результатов данного исследования выделяются два вывода, которые требуют детального изучения в следующих работах по теме, так как могут оказать существенное влияние на стратегии продвижения кинопродукции на российском рынке. Во-первых, исследование показало, что зрителю важнее сама информация, а не ее источник, а значит возможна оптимизация маркетинговых бюджетов за счет сокращения расходов на самые дорогие платформы (в первую очередь, ТВ). Во-вторых, рекомендации играют при выборе фильма не меньшую роль, чем реклама, что также позволяет оптимизировать маркетинговый бюджет за счет маркетинга в социальных сетях.

1. Бурыкин, Е. С., & Овсянникова, Т. С. (2016). Тенденции применения рекламных технологий в киноиндустрии. Современные проблемы управления природными ресурсами и развитием социально-экономических систем. Материалы XII международной научной конференции: в 4 ч. Ч. 2. М.: Издательство Московского университета им. С. Ю. Вите, 71–76.

2. Петраш, Н. Д. (2020). Современная киноиндустрия: основные маркетинговые тенденции и рекламные ходы по продвижению продукта. Наука сегодня: факты, тенденции, прогнозы. Материалы международной научно-практической конференции. М.: Маркер, 86–87.

3. Abidi, S. M. R., Xu, Y., Ni, J., Wang, X., & Zhang, W. (2020). Popularity prediction of movies: from statistical modeling to machine learning techniques. Multimedia Tools and Applications, 79(47–48), 35583–35617. https://doi.org/10.1007/s11042-019-08546-5

4. Ahmed, S., & Sinha, A. (2016). When it pays to wait: Optimizing release timing decisions for secondary channels in the fi lm industry. Journal of Marketing, 80(4), 20–38. https://doi.org/10.1509/jm.15.0484

5. An, Y., An, J., & Cho, S. (2021). Artifi cial intelligence-based predictions of movie audiences on opening Saturday. International Journal of Forecasting, 37(1), 274–288. https://doi.org/10.1016/j.ij forecast.2020.05.005

6. Basuroy, S., Chatterjee, S., & Ravid, S. A. (2003). How Critical Are Critical Reviews? The Box Offi ce Eff ects of Film Critics, Star Power, and Budgets. Journal of Marketing, 67(4), 103–117. https://doi.org/10.1509/jmkg.67.4.103.18692

7. Bogaert, M., Ballings, M., Bergmans, R., & van den Poel, D. (2021). Predicting Selfdeclared Movie Watching Behavior Using Facebook Data and Information-Fusion Sensitivity Analysis. Decision Sciences (Т. 52).

8. de Vany, A., & Walls, W. D. (1999). Uncertainty in the Movie Industry: Does Star Power Reduce the Terror of the Box Offi ce? Journal of Cultural Economics (Т. 23), 285–318.

9. del Vecchio, M., Kharlamov, A., Parry, G., & Pogrebna, G. (2021). Improving productivity in Hollywood with data science: Using emotional arcs of movies to drive product and service innovation in entertainment industries. Journal of the Operational Research Society, 72(5), 1110–1137. https://doi.org/10.1080/01605682.2019.1705194

10. DQL 2022 — Surfshark (б. д.). Дата обращения 15.12.2022, https://surfshark.com/dql2022?country=RU

11. Gaenssle, S., Budzinski, O., & Astakhova, D. (2019). Conquering the Box Offi ce: Factors infl uencing Success of International Movies in Russia. Information-Wissenschaft Und Praxis, 70(5–6), 245–266. www.econstor.eu

12. Gao, W., Ji, L., Liu, Y., & Sun, Q. (2020). Branding Cultural Products in International Markets: A Study of Hollywood Movies in China. Journal of Marketing, 84(3), 86–105. https://doi.org/10.1177/0022242920912704

13. Hsiao, C. H., & Yang, C. C. (2015). Exploring the eff ect of experiential marketing on movie-watching intention — The example of mobile movie theme games. Proceedings of the Annual Hawaii International Conference on System Sciences, 2015 March, 1179–1186. https://doi.org/10.1109/HICSS.2015.143

14. Huang, Y., Wang, S., & Yan, J. (2020). Research on Infl uencing Factors of Chinese Movie Microblog Marketing Eff ect Based on Multiple Linear Regression Model: Offi cial Microblog of Ne Zha as an Example. Proceedings — 2020 12th International Conference on Intelligent Human-Machine Systems and Cybernetics, IHMSC 2020, 1, 79–83. https://doi.org/10.1109/IHMSC49165.2020.00026

15. Kamal, S., El-Gabalawy, O., Zhao, N., MacLeod, J., & Contributions, E. (2020). Depiction of Mental Illness in Film and Association with Financial and Critical Success. https://doi.org/10.1101/2020.10.20.20215707

16. Khalid, J., Abbas, A., Qasim Mahmood, M., Tariq, A., Khatoon, M., Azhar, S., Campus, G., Akbar, R., Akbar, A., Meer, A., & Junaid Ud Din, M. (2020). Signifi cance of Electronic Word of Mouth (e-WOM) in Opinion Formation. IJACSA) International Journal of Advanced Computer Science and Applications (Т. 11, Issue 2). www.ij acsa.thesai.org

17. Kim, J. M., Xiao, X., & Kim, I. (2020). Hollywood movie data analysis by social network analysis and text mining. International Journal of Electronic Commerce Studies, 11(1), 75–92. https://doi.org/10.7903/ijecs.1731

18. Kim, M., & Yoo, S. (2020). The 4th V? The eff ect of word of mouth volatility on product performance. Electronic Commerce Research and Applications, 44. https://doi.org/10.1016/j.elerap.2020.101016

19. Li, B., Liu, L., Huang, R., & Ren, J. (2016). Analyzing the impact of OWOM on box offi ce revenue in the world of big data. Proceedings — 2016 IEEE 2nd International Conference on Multimedia Big Data, BigMM 2016, 166–169. https://doi.org/10.1109/BigMM.2016.92

20. Litman, B. R. (1983). Predicting Success of Theatrical Movies: An Empirical Study. The Journal of Popular Culture, 16(4), 159–175. https://doi.org/https://doi.org/10.1111/j.0022-3840.1983.1604_159.x

21. Litman, B. R., & Kohl, L. S. (1989). Predicting Financial Success of Motion Pictures: The ’80s Experience. Journal of Media Economics, 2(2), 35–50. https://doi.org/10.1080/08997768909358184

22. Liu, A., Liu, Y., & Mazumdar, T. (2014). Star power in the eye of the beholder: A study of the infl uence of stars in the movie industry. Marketing Letters, 25(4), 385–396. https://doi.org/10.1007/s11002-013-9258-x

23. Liu, Y., & Whitman, M. J. (2006). Word of Mouth for Movies: Its Dynamics and Impact on Box Offi ce Revenue. Journal of Marketing, 70, 74–89. http://www.marketingpower.com/jmblog.

24. Ma, J., Huang, D., Markovitch, D. G., & Ratchford, B. (2018). High or low season? Contrasting launch timing considerations for big-budget and low-budget entertainment products. European Journal of Marketing, 52(9–10), 1956–1980. https://doi.org/10.1108/EJM-08-2017-0513

25. Mahmud, Q. I., Shuchi, N. Z., Tawsif, F. M., Mohaimen, A., & Tasnim, A. (2020). A machine learning approach to predict movie revenue based on pre-released movie metadata. Journal of Computer Science, 16(6), 749–767. https://doi.org/10.3844/JCSSP.2020.749.767

26. Mediascope: Social Media (б. д.). Дата обращения 15.12.2022, https://mediascope.net/upload/iblock/5ab/8bh9sab0ioqdvufiv52lhw3ccruhq585/%D0%9D%D0%A0%D0%A4_SocialMedia_%D0%A1%D1%83%D0%B0%D0%BD%D0%BE%D0%B2%D0%B0_11.11.22.pdf

27. Mohr, I. (2007). Buzz marketing for movies. Business Horizons, 50(5), 395–403. https://doi.org/10.1016/j.bushor.2007.04.001

28. Park, J., & Lim, C. (2021). Predicting Movie Audience with Stacked Generalization by Combining Machine Learning Algorithms. Communications for Statistical Applications and Methods, 28(3), 217–232. https://doi.org/10.29220/CSAM.2021.28.3.217

29. Sachdev, S., Agrawal, A., Bhendarkar, S., Prasad, B. R., & Agarwal, S. (2018). Movie box-offi ce gross revenue estimation. Advances in Intelligent Systems and Computing (Т. 709, 9–17). Springer Verlag. https://doi.org/10.1007/978-981-10-8633-5_2

30. Shi, Y., & Karniouchina, E. V. (2020). (When) Can Social Media Buzz Data Replace Traditional Surveys for Sales Forecasting? Rutgers Business Review, 5(1), 43–60.

31. Speedtest Global Index — Internet Speed around the world — Speedtest Global Index (б. д.). Дата обращения 15.12.2022, https://www.speedtest.net/global-index

32. Taubman, J. (1973). Mayer, michael f., the fi lm industries practical business/legalproblems in production, distribution and exhibition, hastings house, new york, n.y. 10016. pp. xii, 212 ($10.00). Performing Arts Review, 4(3–4), 213–215. https://doi.org/10.1080/00315249.1973.10593743

33. Worldwide Mobile Data Pricing 2022 | 1GB Cost in 233 Countries (б. д.). Дата обращения 15.12.2022, https://www.cable.co.uk/mobiles/worldwide-data-pricing/

34. Zhang, H., Yuan, X., & Song, T. H. (2020). Examining the role of the marketing activity and eWOM in the movie diff usion: the decomposition perspective. Electronic Commerce Research, 20(3), 589–608. https://doi.org/10.1007/s10660-020-09423-2