<div class="csl-bib-body">
<div class="csl-entry">Grömer, L. (2016). <i>Crowd Data : ein datenanalytischer Ansatz zur Analyse von Crowdfunding Projekten</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2016.28018</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2016.28018
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/6720
-
dc.description
Zusammenfassung in deutscher Sprache
-
dc.description
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
-
dc.description.abstract
Ein großes Problem von Crowdfunding ist, dass mehr als die Hälfte aller Kampagnen scheitern. Dies hat zur Folge, dass einerseits Projektgründerinnen und Projektgründer ihre Ideen nicht in die Wirklichkeit umsetzen können und andererseits, dass Crowdfunding- Plattformen keine Provision bekommen. Das bedeutet einen Verlust für beide Seiten. Das Ziel dieser Arbeit ist es, Methoden vorzustellen, die Projektgründerinnen und Projektgründern sowie Plattformen helfen, die Erfolgsaussichten von Projekten zu verbessern. Die Analyse wurde mit Data-Mining Algorithmen durchgeführt und basiert auf über 14.000 Kickstarter-Projekten, gesammelt im Zeitraum zwischen Juni und Oktober 2015. Zu Beginn wurden rein statische Attribute von Projekten untersucht. Das sind jene Attribute, die bereits vor dem Projektstart erschließbar sind, wie zum Beispiel das Projektziel, die Projektbeschreibung, Belohnungen und das soziale Netzwerk der Gründerin beziehungsweise des Gründers. Mit dieser Analyse konnten die Projekte bereits mit einer Genauigkeit von 78.5% als erfolgreiche oder gescheiterte Projekte identifiziert werden. Indem man die dynamischen, sich zeitlich verändernden Projektattribute in das Modell aufnimmt, konnte diese Genauigkeit auf einen Wert von 83.4% nach einem Prozent der Projektdauer gesteigert werden. Möglich macht das die rapide Projektentwicklung von erfolgreichen-Kickstarter Projekten. Die gefundenen Modelle wurden zum Abschluss noch in ein CrowdData Framework verpackt, welches Projektgründerinnen und Projektgründer in der Findung des optimalen Projektsetups unterstützt und sie den Projektverlauf überwachen lässt.
de
dc.description.abstract
A major problem of crowdfunding is, that more than half of all campaigns fail. This is not only bad for founders who then cannot realize their ideas but also for crowdfunding platforms who draw commissions from successfully funded projects. The goal of this thesis is to give platform providers and founders data based methods for improving the success of their projects. The analysis was performed with data mining algorithms and is based on over 14,000 Kickstarter projects between June and October 2015. Initially, static project attributes were analyzed, which are present even before a project has been launched. Such attributes concern the project`s general setup, the description, rewards and the founders social media network. With this method the success or failure of a project could be predicted with an accuracy of 78.5%. By including some dynamically changing attributes the accuracy could even be boosted to a value of 83.4% after one percent of the campaigns lifetime. The rapid development of successful Kickstarter projects makes this possible. Finally, these models were incorporated into a novel CrowdData framework, which supports founders in finding the ideal project setup and allows them to monitor the success probability over time.
en
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
Angewandtes Data Mining
de
dc.subject
Maschinelles Lernen
de
dc.subject
Crowdfunding
de
dc.subject
Daten Analyse
de
dc.subject
Applied Data Mining
en
dc.subject
Machine Learning
en
dc.subject
Crowdfunding
en
dc.subject
Data analysis
en
dc.title
Crowd Data : ein datenanalytischer Ansatz zur Analyse von Crowdfunding Projekten
en
dc.title.alternative
Crowd Data: Data-Driven Approach to Crowd Funding Project Analysis
de
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2016.28018
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Lukas Grömer
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
tuw.publication.orgunit
E188 - Institut für Softwaretechnik und Interaktive Systeme