找到最佳点:机器学习揭示成功众筹的因素 - Phys.org

2024-09-24 19:40:04 英文原文

本文已根据 Science X 的编辑流程和政策进行审阅。编辑在确保内容可信度的同时强调了以下属性:

经过事实检查

可信来源

校对

找到最佳点:机器学习揭示了众筹成功的因素

现代众筹已从 20 世纪 90 年代末相对温和的起步发展成为适合各种早期创新的数十亿美元的融资市场。仅 Kickstarter 平台就从 2012 年承诺的 2.76 亿美元增至 2024 年的 78 亿美元。甚至还有专业的项目设计师来帮助制定获胜提案。

有了这样的筹码,正确的宣传就是一切。

请使用机器学习来提供帮助。多伦多大学罗特曼管理学院的研究人员对四种不同类型的人工智能应用进行了测试,其中包括深度学习。事实证明,机器学习不仅优于预测众筹活动是否能实现目标的传统统计方法,还确定了哪些元素最有帮助以及如何帮助。

研究结果发表在《商业风险设计杂志》上

“开展众筹活动成本高昂,而且可能会失败,”罗特曼学院会计学教授拉米·埃利祖尔 (Ramy Elitzur) 说。“我们的分析向项目创建者展示了提高成功机会的方法,或者,他们是否应该采取不同的项目融资策略。”

Kickstarter 是一个全有或全无的平台,这意味着项目创建者除非他们达到筹款目标,否则不会收到任何资金。Elitzur 教授、加拿大国家战略营销主席 David Soberman 教授和其他研究人员对超过 100,000 个 Kickstarter 项目进行了分析,发现活动资金目标的规模占项目成功的一半以上。创建者的社会资本、提供的奖励选项数量以及活动持续时间也是首要因素。

机器学习还涉及奖励金额和持续时间的细节。项目的成功机会在达到 100,000 美元的筹款目标之前几乎保持不变,然后开始下降,超过 133,300 美元时下降幅度更大。然而,传统的标准回归模型预测,随着货币目标的增加,成功的机会持续下降。这是因为这些模型倾向于识别“线性”关系,其中影响因素和结果仅朝一个方向变化。

与许多事情一样,众筹更加复杂,多个变量相互作用,并且影响因素也相互影响。结果。

“机器学习所做的事情之一就是对变量之间所有可能的相互作用进行建模,”Elitzur 教授说。“它为我们提供了对每个变量的结果以及与其他变量相互作用的总体影响的直接影响。”

虽然标准回归显示,成功随着社会资本的增加而增加,而社会资本是通过项目获得的评论数量来衡量的。研究显示,成功的评论数量实际上增加到了约 750 条,然后趋于平稳。

其结果还表明,活动持续时间的最佳点是 10 到 15 天,项目奖励选项的数量具有适度的积极性大约 15 个奖励选项对成功的影响,然后是 15 到 20 个选项之间的轻微负面影响,接下来是 20 到 50 个奖励选项之间的积极影响,最后在 50 个选项后达到稳定水平。

当机器学习的部署了文本分析功能,这是基于数字的标准方法无法做到的,它们可以超越 Kickstarter 的 15 个主要项目分类,将“小工具”识别为最不成功的项目类型。

事实证明,创作者正在寻找获胜的提案应避开可飞行的第二次世界大战飞机。在这种情况下,“你的处境对你不利,你成功的可能性比任何其他领域都要低,”埃利祖尔教授说,他目前正在应用相同的方法来预测高科技初创企业的成功。

此外,模型的文本分析功能表明,与房地产一样,项目的位置很重要。

该研究还与本古里安大学的 Noam Katz 共同撰写以色列和以色列创新局的 Perri Mutath。

更多信息:Ramy Elitzur 等人,机器学习方法预测众筹成功的力量:有效解释复杂关系,商业风险设计期刊 (2024 年))。DOI:10.1016/j.jbvd.2024.100022

由多伦多大学提供

关于《找到最佳点:机器学习揭示成功众筹的因素 - Phys.org》的评论


暂无评论

发表评论

摘要

本文已根据 Science X 的编辑流程和政策进行审阅。我们的分析向项目创建者展示了提高成功机会的方法,或者他们是否应该采取不同的项目融资策略。与许多事情一样,众筹更加复杂,多个变量以及结果相互影响。其结果还表明,活动持续时间的最佳点是 10 到 15 天,项目奖励选项的数量对成功有中等程度的积极影响,奖励选项最多为 15 个,然后是 15 到 20 个选项,其次是 15 到 20 个选项,对成功有轻微的负面影响。20 到 50 个奖励选项之间的积极影响,最终在 50 个选项后趋于稳定。更多信息:Ramy Elitzur 等人,机器学习方法预测众筹成功的力量:有效解释复杂关系,商业风险设计杂志 (2024)。