Nicht im Ansatz alle Konzerte, die ich dieses Jahr gerne gesehen hätte, dennoch eine deutliche Steigerung zu letztem Jahr. Klare Prioritäten und lediglich Ausnahmen für Dienstreisen und wirklich wichtige Dinge konnten mich abhalten. Was gab es denn also dieses Jahr? So viel, dass etwas Data Science notwendig wird. Also wirklich notwendig ist Data Science nicht, aber mir war trotzdem mal nach einer genaueren Analyse. Gibt es Muster? Wirklich gute Locations? Was lohnt sich wo anzusehen? Und vor allem rechnet sich das ganze auch objektiv?

Kunst und Kultur rechnen sich im Zweifelsfall immer. Es gibt Dinge, die versteht man nicht; Sachen, die einfach nicht Komfortzone sind und Veranstaltungen, die wirklich anstrengend sind, aber das ist absolut OK.

Das Setup

Da die Datenmengen letztendlich doch überschaubar waren, hat Excel mit Pivot völlig ausgereicht, auch wenn ich natürlich etwas mit Microsoft Power BI Desktop  gespielt habe. Die Ergebnisse waren identisch, auch wenn die Visualisierungsmöglichkeiten etwas schöner sind – dafür eben auch komplizierter zu konfigurieren.


Was steht denn also an Daten zur Verfügung? Die Band und so der Eindruck, wie das Konzert war. Lässt sich ja in den verschiedenen Konzertberichterstattungen nachvollziehen. Aber noch etwas dünn. Genre und Location hab ich mal dazu genommen. Besser aber immer noch dünne. Also Sub-Genre, aus welchem Land kommt die Band, welcher Stadt, wie hieß der Laden, was hat Eintritt gekostet, welches Merchandise hab ich gekauft, Datum und was für ein Typ Konzert war es (Tour, Festival etc.). Und schon gab es eine ganze Menge herauszufinden.

Die Aufgabenstellung

Drei wesentliche, quantitative Faktoren sollen erwähnt sein, diese sind Grundlage für viele Rückschlüsse und tauchen in den Auswertungen aus:

  • Die Wertung des Auftritts (in ★ bei maximal 5)
  • Der anteilige Preis für die Karte (klar, wenn mehrere Bands aufgetreten sind)
  • Das KUV/Kosten-Unterhaltungs-Verhältnis (in %)

Alles also höchst wissenschaftlich. Auf geht’s mit der fancy Data Science!

Data Science – Die Erkenntnisse

So, die Daten stehen bereit, was lässt sich so alles in Erfahrung bringen? Fangen wir ganz einfach an: Welche Stadt und welche Location fetzt besonders zum Konzertverzehr?

Der beste Ort

Letztendlich ist egal wo man hingeht – und hier punktet der KUV brutal – das Verhältnis hat 2017 in jeder Stadt perfekt gepasst. Für jeden investierten Euro gab es also genau 1 Begeisterung-Stern zurück. In Summe die höchste Begeisterung in Leipzig, dafür im Schnitt aber auch ab meisten für die Karte hingelegt.

Auswertung nach Ort

Der beste Laden

Ab jetzt macht die detaillierte Datensammlung Sinn, denn Leipzig ist zwar im Schnitt nur teurer, aber mit Kulturlounge und ZøRø gibt es zwei Läden, bei dem man pro investierten Euro umgerechnet zweieinhalb Begeisterungseinheiten bekommt. Das ist doch mal was! Das Wagner schließt im KUV am schlechtesten ab, muss man aber relativ sehen: schon etwas ausgefallen was die Mukke angeht, prinzipiell also eher weniger Publikum und damit die Rechnung aufgeht 12 Euro für 1 Band. Was natürlich absolut fair ist, aber Statistik interessiert sich nicht für Fairness, sondern nur für Fakten. Und so schaut es nun mal aus.

Also nicht in die großen Hallen und Stadien, sondern in die kleinen Hütten. Mehr als 5 Sterne bekommt man je eh nicht raus …

Auswertung nach Konzert-Location

Das beste Genre

Beim Genre gilt eine ähnlich Herleitung zur Interpretation wie bei der Location. Experimenteller Kram = weniger Publikum = höherer Preis zur Kostendeckung. Hier also der niedrigste Wert. Hardcore scheint aber eine ganz vernünftige Option zu sein. Ist nicht mein Favorit, was man an der Durchschnittswertung sehen kann, dafür aber ein sehr geringer Invest.

Auswertung nach Genre

Doom steht sehr solide da und der Rest quasi auch. Mal ins Detail geschaut …

Das beste Subgenre

Hier tun sich schon klarere Muster auf. Metalcore, Scremo, Crust und reinrassiger Sludge bringen hohe Unterhaltungsrendite; Avantgarde, Heavy Rock und Jazz ist eher was für Fans mit im Schnitt 3 Euro pro Stern.

Auswertung nach Subgenre

Wo sollte man sich was anhören?

Ab jetzt mal wirklich etwas mehr Data Science als Excel-Diagramme: Verknüpfungen von verschiedenen Eigenschaften. Ich will ja wissen, was wo am besten zu tun ist.

Hardcore geht offensichtlich gut in Jena, aber noch besser in Leipzig. Hingegen werde ich für Rockmusik nicht so schnell wieder nach Dresden fahren müssen. Doom geht immer gilt trotzdem. Schwierig war dieses Jahr für Sludge in Jena – auch wenn es Ausnehmen gibt. Das schauen wir und gleich an.

Auswertung nach Genre und Stadt
Und die selbe Auswertung runtergebrochen auf das Subgenre ergibt: Metalcore in Sachsen, Sludge in Leipzig, Funeral Doom in Jena ist toll, dafür muss man in Jena nicht zu Heavy Rock und Punk und in Leipzig nicht zu Avantgarde und Heavy Rock.
Auswertung nach Subgenre und Location
Wenn man noch tiefer eintauchen möchte, lernet man, dass Sludge und Doom im ZøRø dieses Jahr was feines war, auch der experimentelle Kram im Kassa. Hingegen war Rock im Westwerk und Rosenkeller nicht so groß.

Auswertung nach Genre und Location

Was ist so hängengeblieben?

Ein guter Indikator ist ja auch das gekaufte Gelumpe auf dem Konzert. Mal schauen, was es hier zu lernen gibt.

Und das ist schon eine Überraschung, denn offensichtlich waren die etwas abgedrehteren Sachen dann doch etwas mehr Merch wert, als nur der klassische Patch.

Data Science - Auswertung nach Merchandise, Location und Genre

Fazit

Ich hätte noch hunderte weitere alberner Kombis zum Auswerten gefunden, auch schön mit Filtern und Schnick und Schnack. Ein paar Konzerte sind aber trotzdem noch mehr in Erinnerung geblieben, auch wenn die Statistik es vermuten ließe:

Ich freue mich auf 2018, 76 Bands müssen doch zu schlagen sein …

1 Star2 Stars3 Stars4 Stars5 Stars (1 votes, average: 4,00 out of 5)
Loading...