Vor einigen Tagen gab es im Blog der Microstock-Upload-App Xpiks den Blogartikel mit dem Titel „Best-selling microstock categories: let the numbers talk“.
Darin analysiert Taras Kushnir die Microstock-Verkäufe des Fotografen und Bloggers Steve Heap vom Blog Backyard Silver, den einige vielleicht schon aus meinem Buch „Stockfotografie. Geld verdienen mit eigenen Fotos“ kennen.
Steve hat Taras vom Xpiks-Blog seine Verkaufszahlen von über 15 Jahren zur Verfügung gestellt und der Blog wollte herausfinden, aus welchen Kategorien sich am besten Bilder verkaufen bei Shutterstock und Adobe Stock.
Dazu haben sie die Bildkategorien, welche beim Hochladen angeben werden müssen (zum Beispiel „Landschaft, Menschen, Technik, Transport, Tiere, …) gezählt und geschaut, wie viel Bilder Steve in jeder Kategorie hat und wie viel er davon verkauft hat.
Als überraschende Erkenntnis stand dann fest:
„Es ist leicht zu erkennen, dass Parks/Outdoor, Transportmittel, Gebäude/Landmarken und Natur die absoluten Top-Seller-Kategorien sind. Der letzte Punkt mag viele überraschen: Jeder Microstock-Leitfaden „Wie man Geld verdient“ beginnt mit der Empfehlung, KEINE Naturaufnahmen zu machen, weil die Agenturen so voll davon sind. Doch die Daten lügen nicht, und Steve verdient auch im Jahr 2023 noch mit Naturaufnahmen.“
Diese Aussage überraschte mich tatsächlich und deshalb schaute ich mir die Datenbasis und Analyse genauer an. Schnell fand ich den Fehler.
Steve hat ca. 35% seines Portfolios von insgesamt ca. 12.000 Bildern voller Naturbilder, da überrascht es nicht, dass er davon – im Verhältnis gesehen – viel verkauft. Ich selbst habe überwiegend Menschenbilder im Portfolio, weshalb es wenig überrascht, dass sich aus meinem Portfolio vor allem Menschenbilder verkaufen.
Sinnvoller wäre die Analyse gewesen, wenn die Prozentzahlen der Kategorien im Portfolio verglichen worden wären mit denen der Einnahmen der gleichen Kategorie.
Für die Bildagentur Adobe Stock habe ich das mal gemacht, basierend auf den Zahlen des verlinkten Blogartikels.
Das Ergebnis sah dann so aus:
Wichtig ist hier die letzte farbige Spalte: Hier wird gezeigt, um wie viele Prozentpunkte die Verkäufe abweichen von der Anzahl der Bilder in der gleichen Kategorie.
Hier könnt ihr sehen, dass sich Bilder aus den Kategorien Wissenschaft, Tiere, Gebäude und Industrie besser als erwartet verkauft haben, während sich Kategorien wie Natur, Technologie oder Lebensmittel weniger gut verkauft haben.
(Kurzer Disclaimer: Für die vier untersten Kategorien wurden im Blogartikel keine absoluten Zahlen genannt, daher habe ich diese geschätzt, gleiches gilt für die Kategorien, welche in der Spalte „Portfolio %“ 1,2 stehen haben. Außerdem zeigt die Spalte „Sales absolut“ keine Verkäufe, sondern die Umsätze.)
Meine Analyse besagt quasi das genaue Gegenteil von Taras‘ Analyse, obwohl wir die gleichen Daten verwendet haben.
Eine weitere Mögliche Herangehensweise wäre der RPI-Vergleich pro Kategorie gewesen. Dafür müssen wir wissen, wie viele Bilder Steve pro Kategorie absolut im Portfolio hat. Das können wir extrahieren aus den Prozentzahlen sowie der Gesamtsumme von ca. 12.000 Bildern bei Adobe Stock.
Die Bilder pro Kategorie werden dann durch die Umsätze der gleichen Kategorie geteilt. Je höher der Wert, desto mehr Geld bringt ein Bild.
Hier das Ergebnis grafisch aufbereitet:
Wie ihr seht, ist das Ergebnis ähnlich, aber nicht identisch. Industriebilder erzielten den meisten Umsatz, gefolgt Wissenschaft und Tieren. (Drinks habe ich mal außen vor gelassen, weil da schon die niedrige geschätzte Portfoliogröße das Ergebnis zu stark verfälschen kann). Am schlechtesten schnitten hier wieder Lebensmittel, Technologie, Sport und Landschaften ab.
Ich habe diesen Artikel geschrieben, um zu zeigen, dass es wichtig ist, sich die Datenbasis genau anzusehen, bevor basierend auf vielleicht ungenauen Daten Geschäftsentscheidungen getroffen werden.
Wer an diesem Thema interessiert ist, dem empfehle ich diese beiden Bücher, welche ich mehrmals mit Gewinn gelesen habe:
- Krämer, Walter (Autor)
