Success prediction of crowdfunding campaigns: a two-phase modeling
Nenhuma Miniatura disponível
Data
2019-08-14
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Goiás
Resumo
Financiamento coletivo e um meio de se levantar fundos e vem sendo adotado de forma
crescente como uma forma de se atingir a viabilidade de projetos. Apesar de sua
importancia e crescente adocao, o indice de sucesso de campanhas foi de 47% em 2017
e tem decaido ao longo dos anos. Uma forma de se aumentar as chances de sucesso
das campanhas seria predizer, empregando tecnicas de aprendizado de maquina, se
uma campanha obtera sucesso. Fazendo uso de modelos de classificacao baseados em
atributos de campanha, e possivel predizer se uma dada campanha apresentada ao
publico sera bem sucedida e por meio de modelos de regressao podemos estimar a
quantidade de dinheiro arrecadado em um dado momento do ciclo de vida da campanha.
A classificacao ou a regressao pode ser feita de forma estatica ou dinamica, dependendo
do tipo de atributo sendo empregado. Nos propomos uma solucao em duas fases, a
saber, lancamento e campanha, obtendo como resultado classificadores e regressores
mais adequados para cada instante do ciclo de vida das campanhas. Baseado em
atributos e meta atributos, bem como uma combinacao de atributos textuais, nos
produzimos um preditor estatico capaz de classificar se uma campanha obtera sucesso
ou se falhara com uma acuracia de 71%. Nessa fase nos concluimos que a maior parte
dos atributos estaticos possuem baixa relevancia para o modelo quando se faz uso de
meta atributos. Nosso modelo de regressao alcancou uma marca de 6.45 de Erro Medio
Quadratico. Nosso classificador dinamico foi capaz de obter 85% de acuracia antes de
10% de duracao de campanha, equivalente a 3 dias, dada uma campanha de 10 dias de
duracao total. No mesmo periodo de tempo, nosso regressor foi capaz de alcancar 2.5 de
Erro Medio Quadratico.
Descrição
Palavras-chave
Citação
SILVA, L. C. Success prediction of crowdfunding campaigns: a two-phase modeling. 2019. 57 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2019.