딥러닝을 활용한 크라우드 펀딩 성공 예측 모델 연구 (Deep Learning Predictive Models for Crowdfunding Success)

서지정보

· 발행기관 : 한국마케팅학회
· 수록지 정보 : 마케팅연구 / 38권 / 4호 / 23 ~ 44페이지
· 저자명 : 김주영, 조영신

초록

크라우드 펀딩 플랫폼은 스타트업의 초기 자금충당 수단으로 성장해왔으며, 자금충당 수단 이외에도 상품의 시장성 진단을 위한 사전 판매, 창작자들의 작품 판매 등 다양한 목적으로 활용되고 있다. 크라우드 펀딩 관련 기존연구들은 동영상 수, 이미지 수, 기간 등의 수치 데이터를 변수로 주로 사용하였다. 그중 일부 연구에서는 비정형 데이터인 텍스트 변수를 활용하고 있으며 품사의 수, 문장의 길이 등을 사용하거나 토픽분석을 통해 추출한토픽을 변수로 활용하고 있다. 하지만 이러한 변수들은 텍스트의 맥락적 의미를 포함하지 않거나 제한적으로 반영하고 있는 실정이다.
따라서 본 연구에서는 텍스트의 활용을 확장하고 문맥적 의미를 반영하기 위해 언어모델을 활용한다. 먼저, 딥러닝 예측모델과 딥러닝 분류모델로 두 개의 모델로 연구를 진행하였다. 텍스트 변수를 분석하기 위하여 2017년발표된 사전학습된 BERT 모델과 직접 텍스트 자료를 입력하여 학습한 트랜스포머의 인코더 모델을 활용하였다.
또한 기존 연구와 달리 종속변수를 펀딩 서포터 수로 설정하였으며, 벡터와 수치 데이터를 활용하여 딥러닝 모델을 구축하였다. 그 다음으로 서포터 수가 날짜별로 증가하는 자료도 함께 이용하였다.
본 연구는 와디즈 사이트에서 2021년 1월부터 2023년 1월까지 총 9,755개의 펀딩이 완료된 데이터를 크롤링하였다. 크롤링한 데이터는 펀딩 사이트에서 제공하고 있는 프로젝트별 카테고리, 펀딩 이름, 펀딩 설명글, 본문 텍스트, 펀딩 기간, 펀딩 금액, 펀딩 서포터 수, 달성률, 옵션 가격, 옵션 수, 메인 이미지 수, 메인 동영상 수, 본문내 이미지 수, 본문내 동영상 수, 스크롤 길이, 일일 펀딩 금액 데이터이다. 딥러닝 모델에서 텍스트를 활용하여 BERT 및 트랜스포머 인코더(Encoder)에 넣어 분석한 데이터와 수치 데이터들을 활용하여, 전통적인 회귀모델과는 다른 형태의 구조를 가지고 더 좋은 결과를 만들 수 있었다. 본 연구는 플랫폼 사용자와 운영자 모두에게 크라우드 펀딩 성공을 이해하고 예측하는 새로운 접근 방식을 제시한다.

영어초록

Crowdfunding platforms have grown as a means of initial funding for startups, and they are also being used for various purposes beyond funding, such as pre-selling products for market assessment and selling the works of creators. Existing research on crowdfunding has mainly used quantitative data such as video views, image counts, and duration as variables. Some studies have incorporated unstructured text variables, utilizing metrics like the number of parts of speech, sentence length, or topics extracted through topic analysis. However, these variables often lack the contextual meaning of the text or provide limited reflection.
In this study, language models are employed to extend the use of text and incorporate contextual meaning. Two models, DNN prediction models and classification models, were employed for the research. For text variables, pretrained BERT models released in 2017 and Transformer Encoder models trained directly on text data were utilized. Unlike previous research, the dependent variable was set as the number of funding supporters, and DNN was constructed using both text and numeric data. Furthermore, data featuring the increase in supporters on a daily basis was also utilized.
This study collected data from Wadiz, a crowdfunding site, spanning from January 2021 to January 2023, encompassing a total of 9,755 completed funding projects. The collected data includes project categories, funding names, descriptions, main text, funding duration, funding amount, number of supporters, achievement rate, option prices, option quantities, counts of main images and videos, counts of images and videos in the main text, scroll length, and daily funding amount. By employing text in DNN models, using data analyzed by BERT and Transformer Encoder alongside numeric data, a different structural form from traditional regression models was achieved, resulting in improved outcomes. This study presents a new approach for both platform users and operators to understand and predict crowdfunding success.

참고자료

· 없음