Predicting Campaign Success in Crowdfunding: An Empirical Study of Kickstarter Projects

Abstract

Denne avhandlingen analyserer suksessfaktorene for kampanjer som lanseres på Kickstarter-plattformen. For å sikre relevans for plattformens nåværende tilstand, samt undersøke virkningen av pandemien, er datasettet delt inn i to tidsperioder (2011-2019 og 2020-2022). Vi bruker en systematisk tilnærming ved å benytte LASSO-metoden for å identifisere potensielle overlapp i eksisterende litteratur. Disse resultatene blir brukt til å utvikle to ulike prediktive modeller; dynamisk logit og dynamisk probit. Vi velger dynamisk logit som vår primære modell basert på vurdering av forskjellige evalueringstall og modellkarakteristika.

Våre resultater presenterer en konsis modell der bare syv variabler er nødvendige for å forutsi utfallet av en kampanje. I begge periodene viser resultatene at større finansieringsmål og lengre kampanjevarighet reduserte sannsynligheten for suksess, mens kortere beskrivelser og tidligere kampanjesuksess økte sannsynligheten. Å bli promotert av plattformen hadde også en positiv effekt i begge modellene. Våre resultater viser også at prosjekter i kategoriene Comics og Games hadde større sannsynlighet for suksess i Covid-årene, noe som kan tilskrives økt interesse for individuelle eller smågruppeaktiviteter i den perioden.

Interessant nok viser vår modell at kampanjer som lanseres på torsdager, fredager og lørdager har høyere sannsynlighet for suksess. Dette står i kontrast til tidligere forskning som hevder at tirsdager er den optimale dagen for kampanjelansering. Imidlertid argumenterer vi for at vår nyutviklede koding av ukedager som en syklisk funksjon overgår eksisterende modeller som behandler ukedager som ordinære eller bruker dummy-kategorier. Ved å ta hensyn til den sirkulære naturen til ukedager, kan vi mer nøyaktig representere variabelen og dermed øke tolkningsmuligheter og pålitelighet av våre resultater. Våre funn viser at selv om en kampanje har mange aspekter, er det relativt få variabler som er nødvendige for å forutsi utfallet.

This thesis analyzes the success determinants of campaigns launched on the Kickstarter platform. To ensure relevance to the platform`s current state, as well as examine the impact of the pandemic, the dataset is divided into two time periods (2011-2019 and 2020-2022). We apply a systematic approach by using the feature selection method LASSO to identify potential redundancies in the existing literature. These results are used to develop two distinct predictive models; dynamic logit and dynamic probit. We then choose the dynamic logit as our primary model based on scores on various evaluation metrics and model characteristics.

Our results provide a concise model with only seven variables needed to predict the outcome of a campaign. In each period, larger funding goals and longer campaign duration decreased the probability of, while shorter descriptions and previous campaign success increased the probability. Being promoted by the platform also had a positive effect on both models. Our results also show that projects in the Comics and Games categories were more likely to succeed in the Covid-years, which can be attributed to the uptake in solitary or small-group activities during that time.

Interestingly, our model concludes that campaigns launched on Thursdays, Fridays and Saturdays have a higher chance of success. This is in stark contrast to most research, which maintain that Tuesday is the optimal day for campaign launch. However, we argue that our novel encoding of weekdays as a cyclical feature surpasses existing models that treat them as ordinal or use dummy variables. By considering the circular nature of weekdays, we are able to accurately represent the variable, increasing the interpretability and reliability of our results. Our results show that while a campaign has many aspects, relatively few features are needed to predict its outcome.