Success prediction of crowdfunding campaigns: a two-phase modeling

• Autor(a) principal: Silva, Lafaiet Castro e
• 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
• 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

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.