Das moderne Crowdfunding hat sich von relativ bescheidenen Anfängen in den späten 1990er Jahren zu einem Multimilliarden-Dollar-Finanzierungsmarkt für alle Arten von Innovationen im Frühstadium entwickelt. Allein die Plattform Kickstarter ist von 276 Millionen Dollar im Jahr 2012 auf 7,8 Milliarden Dollar im Jahr 2024 gestiegen. Es gibt sogar professionelle Projektdesigner, die bei der Ausarbeitung des erfolgreichen Vorschlags helfen.
Bei Einsätzen wie diesen ist der richtige Ton entscheidend.
Hier kommt maschinelles Lernen als Hilfe ins Spiel. Forscher der Rotman School of Management der Universität Toronto testeten vier verschiedene Arten dieser Anwendung künstlicher Intelligenz, darunter auch Deep Learning. Maschinelles Lernen erwies sich nicht nur als besser als herkömmliche statistische Methoden bei der Vorhersage, ob eine Crowdfunding-Kampagne ihr Ziel erreichen würde, sondern identifizierte auch, welche Elemente am meisten halfen und wie.
Die Ergebnisse sind veröffentlicht im Zeitschrift für Business Venturing Design.
„Eine Crowdfunding-Kampagne zu betreiben ist kostspielig und kann scheitern“, sagt Ramy Elitzur, Professor für Rechnungswesen an der Rotman School. „Unsere Analyse zeigt Projektgründern, wie sie ihre Erfolgschancen verbessern können oder ob sie alternativ eine andere Finanzierungsstrategie für ihr Projekt verfolgen sollten.“
Kickstarter ist eine Alles-oder-Nichts-Plattform, was bedeutet, dass Projektgründer kein Geld erhalten, wenn sie ihr Spendenziel nicht erreichen. Bei der Analyse von mehr als 100.000 Kickstarter-Projekten stellten Prof. Elitzur, Prof. David Soberman, der kanadische National Chair of Strategic Marketing, und andere Forscher fest, dass die Höhe des Geldziels der Kampagne für mehr als die Hälfte des Projekterfolgs verantwortlich ist. Das soziale Kapital des Gründers, die Anzahl der angebotenen Belohnungsoptionen und die Dauer der Kampagne waren ebenfalls wichtige Faktoren.
Das maschinelle Lernen befasste sich auch mit den Einzelheiten der Frage, wie viel und wie lange die Mittel gespendet werden. Bis zu einem Spendenziel von 100.000 US-Dollar blieben die Erfolgschancen eines Projekts ziemlich gleich, danach begannen sie zu sinken, wobei der Rückgang bei über 133.300 US-Dollar noch steiler ausfiel. Herkömmliche Standard-Regressionsmodelle sagen jedoch voraus, dass die Erfolgschancen mit steigendem Geldziel kontinuierlich sinken. Das liegt daran, dass diese Modelle dazu neigen, „lineare“ Beziehungen zu identifizieren, bei denen Einflussfaktoren und Ergebnisse sich nur in eine Richtung bewegen.
Crowdfunding ist wie viele andere Dinge komplexer und hat Auswirkungen auf mehrere Variablen, die sich gegenseitig beeinflussen und auch das Ergebnis beeinflussen.
„Maschinelles Lernen modelliert unter anderem alle möglichen Interaktionen zwischen Variablen“, sagt Prof. Elitzur. „Es zeigt uns die direkte Auswirkung auf das Ergebnis jeder Variablen und die Gesamtwirkung der Interaktion mit anderen Variablen.“
Während die Standardregression zeigte, dass der Erfolg mit zunehmendem Sozialkapital zunahm – gemessen an der Anzahl der Kommentare, die ein Projekt erhielt –, ergab maschinelles Lernen, dass der Erfolg tatsächlich bis zu etwa 750 Kommentaren zunahm und sich danach stabilisierte.
Die Ergebnisse wiesen auch darauf hin, dass die optimale Kampagnendauer 10 bis 15 Tage beträgt und dass die Anzahl der Projektbelohnungsoptionen bis zu etwa 15 Belohnungsoptionen einen mäßig positiven Effekt auf den Erfolg hat, zwischen 15 und 20 Optionen dann leicht negative Effekte, gefolgt von einem positiven Effekt in Wellen zwischen 20 und 50 Belohnungsoptionen und schließlich einem Plateau nach 50 Optionen.
Durch den Einsatz der Textanalysefunktionen des maschinellen Lernens – etwas, das auf numerischen Methoden basiert, ist es dem Unternehmen nicht möglich, über die 15 wichtigsten Projektklassifizierungen von Kickstarter hinauszugehen und „Gadgets“ als den am wenigsten erfolgreichen Projekttyp zu identifizieren.
Es hat sich herausgestellt, dass Gründer, die auf der Suche nach einem erfolgreichen Vorschlag sind, sich von flugfähigen Flugzeugen aus dem Zweiten Weltkrieg fernhalten sollten. In diesem Fall „stehen die Karten gegen Sie und Sie hätten eine geringere Erfolgswahrscheinlichkeit als in jedem anderen Bereich“, sagt Prof. Elitzur, der derzeit dieselben Methoden anwendet, um den Erfolg von High-Tech-Start-ups vorherzusagen.
Darüber hinaus verdeutlichen die Textanalysefunktionen der Modelle, dass es wie bei Immobilien auf den Standort des Projekts ankommt.
Die Forschungsarbeit wurde außerdem gemeinsam mit Noam Katz von der Ben-Gurion-Universität in Israel und Perri Mutath von der Israel Innovation Authority verfasst.
Weitere Informationen:
Ramy Elitzur et al., Die Leistungsfähigkeit von Methoden des maschinellen Lernens zur Vorhersage des Crowdfunding-Erfolgs: Komplexe Zusammenhänge effizient berücksichtigen, Zeitschrift für Business Venturing Design (2024). DOI: 10.1016/j.jbvd.2024.100022