[论文解读] How to Succeed in Crowdfunding: a Long-Term Study in Kickstarter

Thanh Tran, Madhavi R. Dontham+2 more|arXiv (Cornell University)|Jul 22, 2016

FinTech, Crowdfunding, Digital Finance参考文献 27被引用 12

一句话总结

本研究利用 Kickstarter 最大规模的数据集，通过静态特征、时间特征、社交媒体（Twitter）和语言特征预测项目成功与否及承诺筹资金额。研究发现，结合 Twitter 和时间数据可使预测准确率提升 2.5%，AUC 提升 3.5%；而失败的创作者在重新发布时，若将目标金额降低 59.6%，并将更新次数增加 118%，则成功率显著提高。聚类分析揭示了五种不同的资金增长模式，其中一种模式表现出后期资金急剧上升的特征。

ABSTRACT

Crowdfunding platforms have become important sites where people can create projects to seek funds toward turning their ideas into products, and back someone else's projects. As news media have reported successfully funded projects (e.g., Pebble Time, Coolest Cooler), more people have joined crowdfunding platforms and launched projects. But in spite of rapid growth of the number of users and projects, a project success rate at large has been decreasing because of launching projects without enough preparation and experience. Little is known about what reactions project creators made (e.g., giving up or making the failed projects better) when projects failed, and what types of successful projects we can find. To solve these problems, in this manuscript we (i) collect the largest datasets from Kickstarter, consisting of all project profiles, corresponding user profiles, projects' temporal data and users' social media information; (ii) analyze characteristics of successful projects, behaviors of users and understand dynamics of the crowdfunding platform; (iii) propose novel statistical approaches to predict whether a project will be successful and a range of expected pledged money of the project; (iv) develop predictive models and evaluate performance of the models; (v) analyze what reactions project creators had when project failed, and if they did not give up, how they made the failed projects successful; and (vi) cluster successful projects by their evolutional patterns of pledged money toward understanding what efforts project creators should make in order to get more pledged money. Our experimental results show that the predictive models can effectively predict project success and a range of expected pledged money.

研究动机与目标

• 理解 Kickstarter 上众筹成功的动态机制，特别是由于缺乏经验的用户导致成功率下降的原因。
• 开发能够预测项目成功与否及预期筹资金额的预测模型。
• 分析项目发起人在项目失败后如何应对，包括重新发布策略。
• 基于资金增长模式对成功项目进行聚类，以识别高效策略。

提出的方法

• 收集了目前已知最大的 Kickstarter 项目、用户资料、时间维度的筹资数据及 Twitter 资料数据集。
• 提取四类特征：项目特征（如目标金额、类别）、用户特征（如活跃度）、时间特征（每日筹资金额和支持者数量）以及 Twitter 特征（关注者数量、互动程度）。
• 采用 n-gram 特征提取和基于 LIWC 的语言分析方法处理项目描述，但两类方法均降低了预测性能。
• 使用逻辑回归和随机森林分类器，基于不同特征组合构建并评估预测模型。
• 采用 t 检验比较失败项目与重新发布后成功项目在项目参数上的变化。
• 对相对筹资金额进行时间序列聚类，以识别不同的资金增长模式。

实验结果

研究问题

• RQ1 哪些因素能够区分成功与失败的 Kickstarter 项目？我们能否以高准确率预测成功？
• RQ2 整合 Twitter 活跃度和时间维度的筹资动态是否能提升预测性能？
• RQ3 项目发起人在项目失败后如何应对？哪些调整能带来重新发布后的成功？
• RQ4 成功项目中主导的资金增长模式是什么？它们之间有何差异？

主要发现

• 仅使用静态特征预测项目成功，准确率为 76.4%，AUC 为 0.838；加入 Twitter 特征后，准确率提升至 78.9%，AUC 提升至 0.873。
• 加入时间特征后，预测性能持续提升，表现最佳的模型在预测筹资金额范围时达到 86.5% 的准确率和 0.901 的 AUC。
• 重新发布失败项目的发起人，平均将筹资目标降低 59.62%，并将项目更新次数增加 118%，从而显著提升成功率。
• 识别出五种不同的资金增长聚类模式，包括一种持续稳定筹资的模式、一种后期出现急剧上升的模式，以及一种初期筹资较低但随后迅速增长的模式。
• n-gram 和 LIWC 语言特征降低了模型性能，表明在大规模数据集中，原始文本特征可能引入噪声而非有效信号。
• 研究揭示了‘截止日期效应’，即在项目周期开始和临近结束时出现两个筹资高峰，表明用户行为具有明显的时间敏感性。