4. Schlussfolgerungen

4.1 Erkenntnisse für die Kunsthistorie

Die vorangegangene Datenanalyse visualisiert in Zahlen folgendes Resümee:

Der dekorative Mehrwert eines persönlichen Stils kann, aber muss einen Maler nicht zwangsläufig in die höchsten Ränge der Meistverkauften Künstler erheben. So wird, wie bewiesen, ein Egon Schiele mit zu seiner Zeit skandalösen Arbeiten höher gehandelt als die pittoresken Impressionen eines Édouard Manet, taucht aber in den „Top 20 nach erzielter Gesamtsumme“ nicht auf. Stars wie van Gogh, Cezanne und Miro erzeugen für Christie’s en gros nicht die selben Umsätze wie Gontscharowa, Modigliani und Leger. Auch kompositorische Prinzipien wie dass des goldenen Schnitts scheinen erstrangig wissenschaftlicher Natur, setzen aber weniger Geld um, als andere Seitenformate. Und: umso jünger das Werk im langen 19. Jahrhundert entstanden ist, desto mehr ist der Käufer geneigt, zu zahlen.

4.2 Mehrwert der gesammelten Daten für die digitale Kunstgeschichte

Gezeigt haben diese Auswertungen folgendes: Zum einen, dass die Kunstgeschichte zwar die Intentionen einzelner Künstler und Stilrichtungen kennt, aber noch nicht das Verhalten des Endabnehmers der meisten Gemälde kennt- das des Käufers. Zum anderen, dass der Markt sich bisher zu sehr mit Verkaufspreisen beschäftigt, aber noch nicht mit historischer Kontextuierung arbeitet. Auch wenn viele markttätige Historiker ein enormes Wissen über Trends und Verknüpfungen verschiedener Epochen besitzen, existieren keine uns bekannten Tools, um dieses Wissen in einem wissenschaftlichen Werkzeug zu bündeln.

Es gibt aber auch eine Fragestellung aus der Sicht des Kunstmarktes: Wie weit sind wir nun von einer Preisprognose entfernt?

Philip Hook, Author des Buches Breakfast at Sotheby’s, zählt 10 Fragen auf, die beantwortet werden müssen, um eine Aussage zum Wert eines Kunstwerkes treffen zu können:

  1. Ist das Kunstwerk echt?
  2. Ist der Künstler en vogue?
  3. Wie wichtig ist der Künstler für die Kunstgeschichte?
  4. Hat der Künstler ein „romantic baggage“, frei übersetzt eine emotionalisierende Aura?
  5. Stammt das Kunstwerk aus einer beachtenswerten Schaffensperiode des Künstlers?
  6. Ist es typisch, trägt es eine Handschrift?
  7. Hat es Wall-power, anders ausgedrückt, das gewisse Etwas, das es begehrswert macht?
  8. Was ist das Thema?
  9. Ist es in einem guten Zustand?
  10. Was ist die Provenienz?

Unsere Hypothese ist, dass viele dieser Fragen mit Hilfe von digitaler Technologie, insbesondere Machine/Deep Learning beantwortbar sind, weil

  • historische Daten in grossen Mengen existieren
  • mit Regressionsanalysen Aussagen zu Trends gemacht werden können
  • mit Techniken der Bildbearbeitung Aussagen zu Stilen und Ähnlichkeitsanalysen möglich sind
  • grosse Mengen an von Experten verfassten Beschreibungen zu Kunstwerken existieren, die mit Methoden des Natural Language Processing (NLP) analysiert und klassifiziert werden können

Nicht einfach ist jedoch die Beantwortung von 1. und 7. Für alle anderen Fragen scheint es uns möglich, auf der Basis grosser Datenbestände, sich zumindest den Antworten anzunähern. Wir denken, es wäre ein lohnenwertes Unterfangen, diese Sachverhalte weiter zu untersuchen.

4.3 Empfehlungen für die Fortführung des Projektes

Die Projektgruppe Turner hat sich schwerpunktmässig der Erschließung neuer Datenquellen via Webscraping gewidmet. Es wurden Datenquellen (wikiart.org, christies.com) verwendet, die ausreichend Marktdaten zur Verfügung stellen und keine Einschränkungen (z.B. das Blockieren von Crawlern) vorweisen. Die lediglich von einer Auktionswebsite gewonnene große Menge an Daten, sowie die hieraus erhaltenen Analyseergebnisse legen die Vermutung nahe, dass dieses Thema ein großes Potenzial hat.

Folgende Themenbereiche sind für die weitere Fortführung des Projektes geeignet:

    • Machine/Deep Learning – als Hauptaugenmerk
      • Experimente mit Machine Learning Verfahren, um Zusammenhänge bei den Daten herauszufinden und hieraus mögliche Prognosemodelle sowie Tendenzen abzuleiten
      • Anwendung von NLP Verfahren auf die Textbeschreibungen der Kunstwerke mit dem Ziel deren Klassifizierung
    • Erweiterung der Datenbasis
      • Erweiterung der Datenquellen. Sinnvolle Kandidaten hierfür sind Sotheby’s und weitere Auktionswebsites, sowie Plattformen wie Artsy
      • Erstellen von Crawlern, die die Marktdaten regelmäßig aktualisieren und neue Auktionergebnisse hinzufügen
      • Erweiterung der Auktionsdaten um über Google Vision API und Microsoft’s Computer Vision API gewonnene Metadaten
    • Professionalisierung des aktuellen Stands:
      • Aufbau einer aqäquaten relationalen Datenbank für Marktdaten
      • Parseroptimierung
      • Benutzen einer speziellen Crawler Bibliothek, etwa Scrapy
      • Parallelisierung der Crawlerprozesse
      • Erstellen eine Python Bibliothek für Auswertungen/Charts

Übergeordnetes Dokument:Einleitung & Gliederung

8
Hinterlasse einen Kommentar

avatar
5 Kommentar Themen
3 Themen Antworten
0 Follower
 
Kommentar, auf das am meisten reagiert wurde
Beliebtestes Kommentar Thema
3 Kommentatoren
Harald KlinkeFrancois BryDeniz Demirsoy Letzte Kommentartoren
  Abonnieren  
neueste älteste
Benachrichtige mich bei