Success prediction of crowdfunding campaigns: a two-phase modeling
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFG |
Texto Completo: | http://repositorio.bc.ufg.br/tede/handle/tede/10054 |
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. |
id |
UFG-2_1af2fae221554aa655ad297222be6c31 |
---|---|
oai_identifier_str |
oai:repositorio.bc.ufg.br:tede/10054 |
network_acronym_str |
UFG-2 |
network_name_str |
Repositório Institucional da UFG |
repository_id_str |
|
spelling |
Silva, Nádia Félix Felipe dahttp://lattes.cnpq.br/7864834001694765Rosa, Thierson Coutohttp://lattes.cnpq.br/4414718560764818Silva, Nádia Félix Felipe daRosa, Thierson CoutoCordeiro, Douglas FariasLaureano, Gustavo Teodorohttp://lattes.cnpq.br/7667389921233888Silva, Lafaiet Castro e2019-09-30T15:08:28Z2019-08-14SILVA, 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.http://repositorio.bc.ufg.br/tede/handle/tede/10054ark:/38995/0013000005cc2Financiamento 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.Crowdfunding financing is a form of fund raising and is increasingly being adopted as a source for achieving the viability of projects. Despite its importance and adoption growth, the success rate of Crowdfunding campaigns was 47% in 2017 and it has decreased over the years. A way of increasing the chances of success of campaigns would be to predict, by employing machine learning techniques, if a campaign would be successful. By applying classification models based on related campaign features it is possible to estimate if whether or not a campaign presented to the public will achieve success and by applying regression models, we can forecast the amount of money to be funded at a given campaign time. The classification or the forecasting can be done statically or dynamically, depending on the type of features being employed. We propose a solution in two phases, namely launching and campaigning, having as a result models better suited for each point in time of a campaign life cycle. Based on features and meta features, as well as a combination of textual features, we produced a static predictor capable of classifying the campaigns with an accuracy of 71%. On this phase we have concluded that most of the static features have lower relevance to the model when employing meta featuring. Our regression method for phase one achieved a 6.45 of Root Mean Squared Error. Our dynamic classifier was able to achieve 85% of accuracy before 10% of campaign duration, equivalent of 3 days, given a campaign with 30 days of length. At this same time period it was able to achieve a forecasting performance of 2.5 of Root Mean Squared Error.Submitted by Franciele Moreira (francielemoreyra@gmail.com) on 2019-09-30T13:50:18Z No. of bitstreams: 2 Dissertação - Lafaiet Castro e Silva - 2019.pdf: 5654085 bytes, checksum: c324a74388419bc0699f473cbd94e952 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2019-09-30T15:08:28Z (GMT) No. of bitstreams: 2 Dissertação - Lafaiet Castro e Silva - 2019.pdf: 5654085 bytes, checksum: c324a74388419bc0699f473cbd94e952 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)Made available in DSpace on 2019-09-30T15:08:28Z (GMT). No. of bitstreams: 2 Dissertação - Lafaiet Castro e Silva - 2019.pdf: 5654085 bytes, checksum: c324a74388419bc0699f473cbd94e952 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2019-08-14Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESapplication/pdfporUniversidade Federal de GoiásPrograma de Pós-graduação em Ciência da Computação (INF)UFGBrasilInstituto de Informática - INF (RG)http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessFinanciamento coletivoClassificaçãoPrediçãoEstimativaRegressãoAprendizado de maquinaCrowdfundingClassificationPredictionForecastingRegressionMachine learningCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOSuccess prediction of crowdfunding campaigns: a two-phase modelingPredicão de sucesso em campanhas de financiamento coletivo: uma modelagem em duas fasesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis-3303550325223384799600600600600-771226673463364476836717112058112045092075167498588264571reponame:Repositório Institucional da UFGinstname:Universidade Federal de Goiás (UFG)instacron:UFGLICENSElicense.txtlicense.txttext/plain; charset=utf-82165http://repositorio.bc.ufg.br/tede/bitstreams/532f1ac4-3c59-4a7e-9ec5-02232ebca178/downloadbd3efa91386c1718a7f26a329fdcb468MD51CC-LICENSElicense_urllicense_urltext/plain; charset=utf-849http://repositorio.bc.ufg.br/tede/bitstreams/f4c257f4-74ef-4270-bf07-1431a382dadb/download4afdbb8c545fd630ea7db775da747b2fMD52license_textlicense_texttext/html; charset=utf-80http://repositorio.bc.ufg.br/tede/bitstreams/91f17dbb-179d-4a2f-8e7b-ef3ca3b45a5b/downloadd41d8cd98f00b204e9800998ecf8427eMD53license_rdflicense_rdfapplication/rdf+xml; charset=utf-80http://repositorio.bc.ufg.br/tede/bitstreams/fcc74599-411d-4c5b-a85b-b5bf1774883f/downloadd41d8cd98f00b204e9800998ecf8427eMD54ORIGINALDissertação - Lafaiet Castro e Silva - 2019.pdfDissertação - Lafaiet Castro e Silva - 2019.pdfapplication/pdf5654085http://repositorio.bc.ufg.br/tede/bitstreams/4a2b085b-c9c1-4623-96ad-08ae716f2516/downloadc324a74388419bc0699f473cbd94e952MD55tede/100542019-09-30 12:08:28.633http://creativecommons.org/licenses/by-nc-nd/4.0/Acesso Abertoopen.accessoai:repositorio.bc.ufg.br:tede/10054http://repositorio.bc.ufg.br/tedeRepositório InstitucionalPUBhttp://repositorio.bc.ufg.br/oai/requesttasesdissertacoes.bc@ufg.bropendoar:2019-09-30T15:08:28Repositório Institucional da UFG - Universidade Federal de Goiás (UFG)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 |
dc.title.eng.fl_str_mv |
Success prediction of crowdfunding campaigns: a two-phase modeling |
dc.title.alternative.por.fl_str_mv |
Predicão de sucesso em campanhas de financiamento coletivo: uma modelagem em duas fases |
title |
Success prediction of crowdfunding campaigns: a two-phase modeling |
spellingShingle |
Success prediction of crowdfunding campaigns: a two-phase modeling Silva, Lafaiet Castro e Financiamento coletivo Classificação Predição Estimativa Regressão Aprendizado de maquina Crowdfunding Classification Prediction Forecasting Regression Machine learning CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
title_short |
Success prediction of crowdfunding campaigns: a two-phase modeling |
title_full |
Success prediction of crowdfunding campaigns: a two-phase modeling |
title_fullStr |
Success prediction of crowdfunding campaigns: a two-phase modeling |
title_full_unstemmed |
Success prediction of crowdfunding campaigns: a two-phase modeling |
title_sort |
Success prediction of crowdfunding campaigns: a two-phase modeling |
author |
Silva, Lafaiet Castro e |
author_facet |
Silva, Lafaiet Castro e |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Silva, Nádia Félix Felipe da |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/7864834001694765 |
dc.contributor.advisor-co1.fl_str_mv |
Rosa, Thierson Couto |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/4414718560764818 |
dc.contributor.referee1.fl_str_mv |
Silva, Nádia Félix Felipe da |
dc.contributor.referee2.fl_str_mv |
Rosa, Thierson Couto |
dc.contributor.referee3.fl_str_mv |
Cordeiro, Douglas Farias |
dc.contributor.referee4.fl_str_mv |
Laureano, Gustavo Teodoro |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/7667389921233888 |
dc.contributor.author.fl_str_mv |
Silva, Lafaiet Castro e |
contributor_str_mv |
Silva, Nádia Félix Felipe da Rosa, Thierson Couto Silva, Nádia Félix Felipe da Rosa, Thierson Couto Cordeiro, Douglas Farias Laureano, Gustavo Teodoro |
dc.subject.por.fl_str_mv |
Financiamento coletivo Classificação Predição Estimativa Regressão Aprendizado de maquina |
topic |
Financiamento coletivo Classificação Predição Estimativa Regressão Aprendizado de maquina Crowdfunding Classification Prediction Forecasting Regression Machine learning CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
dc.subject.eng.fl_str_mv |
Crowdfunding Classification Prediction Forecasting Regression Machine learning |
dc.subject.cnpq.fl_str_mv |
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
description |
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. |
publishDate |
2019 |
dc.date.accessioned.fl_str_mv |
2019-09-30T15:08:28Z |
dc.date.issued.fl_str_mv |
2019-08-14 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
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. |
dc.identifier.uri.fl_str_mv |
http://repositorio.bc.ufg.br/tede/handle/tede/10054 |
dc.identifier.dark.fl_str_mv |
ark:/38995/0013000005cc2 |
identifier_str_mv |
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. ark:/38995/0013000005cc2 |
url |
http://repositorio.bc.ufg.br/tede/handle/tede/10054 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.program.fl_str_mv |
-3303550325223384799 |
dc.relation.confidence.fl_str_mv |
600 600 600 600 |
dc.relation.department.fl_str_mv |
-7712266734633644768 |
dc.relation.cnpq.fl_str_mv |
3671711205811204509 |
dc.relation.sponsorship.fl_str_mv |
2075167498588264571 |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal de Goiás |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Ciência da Computação (INF) |
dc.publisher.initials.fl_str_mv |
UFG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto de Informática - INF (RG) |
publisher.none.fl_str_mv |
Universidade Federal de Goiás |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFG instname:Universidade Federal de Goiás (UFG) instacron:UFG |
instname_str |
Universidade Federal de Goiás (UFG) |
instacron_str |
UFG |
institution |
UFG |
reponame_str |
Repositório Institucional da UFG |
collection |
Repositório Institucional da UFG |
bitstream.url.fl_str_mv |
http://repositorio.bc.ufg.br/tede/bitstreams/532f1ac4-3c59-4a7e-9ec5-02232ebca178/download http://repositorio.bc.ufg.br/tede/bitstreams/f4c257f4-74ef-4270-bf07-1431a382dadb/download http://repositorio.bc.ufg.br/tede/bitstreams/91f17dbb-179d-4a2f-8e7b-ef3ca3b45a5b/download http://repositorio.bc.ufg.br/tede/bitstreams/fcc74599-411d-4c5b-a85b-b5bf1774883f/download http://repositorio.bc.ufg.br/tede/bitstreams/4a2b085b-c9c1-4623-96ad-08ae716f2516/download |
bitstream.checksum.fl_str_mv |
bd3efa91386c1718a7f26a329fdcb468 4afdbb8c545fd630ea7db775da747b2f d41d8cd98f00b204e9800998ecf8427e d41d8cd98f00b204e9800998ecf8427e c324a74388419bc0699f473cbd94e952 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFG - Universidade Federal de Goiás (UFG) |
repository.mail.fl_str_mv |
tasesdissertacoes.bc@ufg.br |
_version_ |
1811721399913414656 |