Раннее предсказание исхода кампаний на Kickstarter: успех за счет виральности?

Рейтинг: 4.6 из 5
Автор
Вадим Соколов
Рейтинг автора
4.6

Распространение информации, мнений, предпочтений и поведения в социальных сетях является важной особенностью текущего функционирования нашей экономики, политики и культуры. Одним из новых каналов распространения социальных коллективных действий и финансирования нововведений во всех этих областях является краудфандинг на различных платформах, таких как Kickstarter, Indiegogo, Sellaband и других. Точный механизм распространения этого коллективного действия не совсем понятен. Принято считать, что виральность играет решающую роль. А именно, общая гипотеза состоит в том, что информация или поведение распространяется через людей, влияющих друг на друга, предположительно через связи, связывающие их в социальных сетях. Цель нашего исследования - выяснить реальный механизм распространения в одном конкретном случае: распространение финансовой поддержки отдельных кампаний Kickstarter.К нашему удивлению, наши исследования показывают, что «виральность» играет здесь лишь второстепенную роль. Мы использовали этот результат, чтобы построить простой основанный на поведении стохастический предиктор успеха кампаний Kickstarter, который не основан на вирусном механизме. Ключевой особенностью модели, лежащей в основе алгоритма прогнозирования, является то, что успех кампании зависит не столько от влияния сторонников друг на друга («вирусность»), сколько от кампании, привлекающей определенный класс сторонников с высокими обязательствами. Этот призыв обычно раскрывается в самом начале кампании и является отличным предсказателем успеха. Случай с Kickstarter согласуется с недавно выдвинутой общей гипотезой о том, что популярность в социальных сетях возникает больше из независимых ответов людей, принадлежащих к большому классу гомофилов, а не из перколяции.самовозбуждающие процессы и другие механизмы сотрудничества, возникающие в результате взаимного влияния между людьми. Таким образом, сама концепция «вирусности», которая подразумевает заражение между участвующими лицами, играет лишь незначительную роль в предлагаемом здесь механизме успеха. Более подходящим термином для механизма, лежащего в основе социального успеха в нашей модели, может быть «социальная привлекательность» или «социальная пригодность».

Введение и основные выводы

Прогнозирование коллективного человеческого поведения - очень сложная задача, потому что причины на индивидуальном уровне (взаимные влияния, группы людей с аналогичным поведением) часто не распознаются напрямую по системному результату.

Предыдущие работы раскрыли ряд механизмов обратной связи, усиливающих «микроскопические» / индивидуальные входы на уровень системных преобразований: мультипликативная динамика (Levy and Solomon, 1996), социальная перколяция (Solomon et al., 2000), стадо (Levy et al., 1994). Удивительно, но наши результаты по кампаниям на Kickstarter не демонстрируют таких эффектов. Мы обнаружили, что успех кампании на Kickstarter зависит от пробуждения определенного типа поведения спонсоров, о чем можно судить по анализу статистического распределения взносов. На рис. 1 мы показываем репрезентативные траектории обещаний для неудачных и успешных кампаний на Kickstarter в качестве подсказки к функциям данных, которые мы используем для прогнозирования результатов кампании.

Динамика залога трех успешных кампаний на Kickstarter (S1, S2, S3) и трех неудачных кампаний (F1, F2, F3). Все взносы делятся по цели сбора средств. Продолжительность всех кампаний 30 дней. Траектории успешных кампаний показывают один или несколько прыжков, размер которых намного превышает средний дневной залог. Напротив, ежедневные обещания провалившихся проектов все того же порядка. Красная линия указывает порог, который очень четко отделяет успешные траектории S1, S2, S3 от неудачных траекторий F1, F2, F3. Подробное обсуждение порога и того, как он рассчитывается, приводится далее в тексте.

Мы измерили распределение размеров залога и сравнили статистику залогов для успешных и неудачных кампаний. С самого первого дня успешные кампании демонстрируют распределение «толстого хвоста», которое следует степенной зависимости (прямая линия на графике с двойным логарифмом на рис. 2а). И наоборот, неудачные кампании демонстрируют гораздо более узкое экспоненциальное распределение обязательств (прямые линии на полулогарифмическом графике на рис. 2b).

Кумулятивные функции распределения (CDF) накопленных взносов до 1, 10 и 20 дня кампаний Kickstarter продолжительностью 30 дней. двойной логарифмическая шкала.bПолулогарифмическая шкала. CDF успешного проекта (S1, S10, S20) демонстрируют степенной хвост с показателем -1,35, показанный прямыми линиями вa. Неудачные проекты (F1, F10, F20) имеют CDF с экспоненциальными хвостами, показанными прямыми линиями наb

Эту огромную разницу в форме распределения можно объяснить поведением спонсоров следующим образом:

- Во всех кампаниях есть группа «рациональных» спонсоров, которые обещают некоторую «разумную» часть целевой суммы, оставляя сообществу других спонсоров поддержку кампании. Последние имеют экспоненциальное распределение залогов, характеризующееся четко определенным масштабом (до 2% от целевой суммы в день [см. Рис. 2]). Однако общий залог, накопленный этой группой спонсоров, в большинстве случаев недостаточен для достижения целевой суммы в типичной 30-дневной кампании. Мы называем эту группу «покровителями типа I».

-У успешных кампаний, помимо «сторонников типа I», есть небольшая группа сторонников, которые особенно близки к идее кампании и реагируют по-разному и независимо от «разумной пропорции». Мы называем их «покровителями типа II». Их поведение «за пределами объективных / разумных критериев оценки», происходящее из субъективного «энтузиазма» / «увлечения» проектом, приводит к непропорционально высоким обязательствам.

Следовательно, распределение взносов для успешных кампаний распространяется в широком масштабе, что выражается в статистическом распределении взносов по степенному закону (рис. 2). Примечательно, что это степенное распределение формируется уже в первый день кампании. Раннее появление степенного распределения залога исключает механизмы, которые включают влияние предыдущих обещаний на текущие, как это было в случае (Levy and Solomon, 1996; Levy et al., 1994).

Из этих результатов уже можно извлечь более общие выводы:

-Для успеха кампании обычно недостаточно иметь в ней разумно заинтересованное сообщество сторонников, гораздо важнее иметь ядро ​​активных сторонников, готовых внести больший, чем их «справедливая доля», в достижение цели кампании. В будущих исследованиях можно попытаться выяснить, какие характеристики кампании вызывают такое поведение.

- Наши данные показывают, что в отличие от «вирусного распространения», когда связанные люди передают свой энтузиазм друг другу, успех кампании на Kickstarter является простым результатом того факта, что проект вызывает интерес у ряда независимых людей с выдающимся поведением. См. Также (Muchnik et al., 2013) более раннее наблюдение, близкое к настоящему.

В любом случае наши данные не указывают на какое-либо существенное влияние предыдущих обещаний на текущие обещания, как это происходит в процессе эволюции богатства (Solomon and Richmond, 2001) или динамики цитат, которые регулируются мультипликативными или самовозбуждающими процессами ( Голосовский, Соломон, 2013). Это наблюдение ограничивает предсказательную силу методов подгонки временного паттерна, использовавшихся в прошлом (Etter et al., 2013; Chung and Lee, 2015; Chen et al., 2013; Rao et al., 2014), для успешного прогнозирования Kickstarter кампании. Напротив, простое обнаружение «покровителей типа II» в ежедневном распределении обещаний является эффективным и очень ранним предиктором успеха, как мы объясним ниже.

Действительно, рассмотрим функции плотности вероятности (PDF) распределения накопленного залога (рис. 3). PDF для неудачных кампаний,ρf(q), имеет большую часть своего веса при небольшом ежедневном залогеqи экспоненциально падает при высокихq-s. Это контрастирует с PDF для успешных кампаний,ρs(q), которые демонстрируют максимум при определенномqmax , зависящем от времени. Большая часть веса PDF для успешных кампаний приходится на этот максимум, а вес при низких взносах сильно уменьшается. Таким образом, PDF неудачных и успешных кампаний существенно различаются и занимают разные частиρ-q.диаграмма (рис. 3), и это побуждает нас ввести порог. Если два распределения имеют большое совпадение, невозможно найти порог, эффективно разделяющий наборы успешных и неудачных кампаний.

Количество успешных,ρsNs, и неудачных,ρfNf, кампаний на Kickstarter как функция накопленного нормализованного обещанияqк 10-мудню кампании.Ns,Nf- общее количество успешных и неудачных кампаний (из набора из 7141 кампании), аρs(q)иρf(q)- соответствующие функции плотности вероятности. Четкое различие между двумя графиками позволяет использовать критерий прогноза, основанный на пороге: кампании, которые накопили обещания выше порогового значения, скорее всего, будут успешными, в то время как те, которым не удалось собрать обещания выше порога, скорее всего, потерпят неудачу. Порог выбирается таким образом, чтобы минимизировать общую ошибку, а именно сумму количества кампаний ниже порога, которые в конечном итоге были успешными, и количества кампаний выше порога, которые в конечном итоге потерпели неудачу. В тексте мы показываем, что данный критерий соответствует выбору порога на пересечении двух кривых.

И наоборот, если PDF-файлы не пересекаются, можно найти порог (на самом деле более одного), который эффективно разделяет распределения для успешных и неудачных кампаний. Реальная ситуация близка ко второй возможности: на рис. 3 видно, что синяя (успешная) и красная (неудачная) PDF пересекаются. Это позволяет выбрать порог, обозначенный вертикальной стрелкой. Построив позицию порога для каждодневной кампании, можно получить красную линию порога на рис. 1. Этот порог является основой нашего предсказателя успеха.

Справочная информация о Kickstarter

Типичная краудфандинговая кампания инициируется предпринимателем, предлагающим свой проект через Интернет-платформу. Предприниматель указывает два важнейших параметра: целевые инвестиции, необходимые для реализации проекта, и срок достижения этой цели. Как только проект будет опубликован в Интернете, любой человек может стать спонсором, пообещав выделить средства для поддержки кампании. Количество спонсоров и сумма ежедневных взносов общедоступны. Если наступает крайний срок и общая сумма взносов равна или превышает целевые инвестиции, то кампания считается успешной и начинается ее реализация. Если целевые инвестиции не достигнуты, кампания считается неудачной и прекращается.

Влияние точного прогнозирования того, будет ли кампания успешной (или в какой степени), служит многим целям. Во-первых, среди множества похожих кампаний, таких как дизайнерская обувь или компьютерные игры определенного жанра, ранняя классификация может помочь промоутерам направить свою энергию на кампании, которые в ней больше всего нуждаются. С точки зрения потенциальных спонсоров, также представляет интерес оценить ставки, которые могут быть поставлены перед обещанием: последствия обещания для кампании, которая может быть успешной даже без их обещания, или для кампании, которая с большей вероятностью потерпит неудачу, будут разные.

Таким образом, естественно рассматривать алгоритмы прогнозирования, которые рассматривают краудфандинг как динамический стохастический или причинный процесс, на поведение которого можно изучать, понимать, прогнозировать и влиять на него. Наша цель - разработать такой алгоритм. В отличие от алгоритмов машинного обучения, мы основываем наши предсказатели на глубоком понимании динамики краудфандинга. Настоящее исследование важно, потому что его можно распространить на аналогичные проблемы, возникающие в очень разных контекстах, таких как выборы, ставки, экономические и финансовые рынки и т. Д. Вспомните в этом контексте самореферентные динамические аспекты знаменитой кейнсианской игры-конкурса красоты (Keynes , 2018).

Предыдущие исследования краудфандинга кратко изложены в (Kuppuswamy and Bayus, 2015). Чанг и Ли (2015) предложили набор предикторов успеха на основе временных рядов обещаний, твитов и графиков кампании / спонсора. Эти предсказатели достигают впечатляющей точности 76% после 4 часов запуска кампании. Кроме того, Etter et al., 2013, создали Интернет-сайт, который может запускать такой предсказатель в реальном времени. Гринберг и др. (2013) использовали и обучили машину векторов поддержки (SVM) и, таким образом, создали систему классификаторов для прогнозирования успеха кампании с точностью 68%, основанной исключительно на начальных условиях. Qiu (2013) показал, что размещение кампании на главной странице Kickstarter положительно влияет на получение взносов. Митра и Гилберт (2014) проанализировали содержание веб-страниц кампании и показали, что их язык может использоваться для улучшения прогнозов.Чанг и Ли (2015) разработали модели, которые предсказывают успех и общую сумму ожидаемых заложенных денег. Вышеупомянутые модели работают с данными Kickstarter и Twitter с временным разрешением и дают точность примерно 90%, когда кампания достигает стадии 30% (временного окна между запуском проекта и его крайним сроком). Chen et al. (2013) создали и обучили SVM предсказывать вероятность успеха. Этот предсказатель достигает 67% точности на этапе запуска и примерно 90% точности, когда кампания переходит на этап 40%. Рао и др. (2014) использовали модели дерева решений, чтобы исследовать, в какой степени простые притоки и производные первого порядка могут предсказать успех кампании. Основываясь на начальных 15% притока денег, они могли предсказывать успех с точностью до 84%.

Анализ данных

Мы проанализировали общедоступные данные о кампаниях Kickstarter, используя базу данных, приведенную в (Etter et al., 2013). Данные временного ряда, охватывающиеN0 = 16 043 кампании, оценивались на ежедневной основе (ежедневные обещания, ежедневное количество спонсоров) без доступа к индивидуальным обещаниям или спецификациям спонсоров. Во-первых, мы проанализировали кампании с продолжительностьюt0 = 30 дней в качестве базы данных в выборке, чтобы определить параметры, которые позволяют отличить успех кампании от неудачи. К ним относятсяNs= 3177 успешных иNf= 3964 неудачных кампаний, тогда как остальные (4562 успешных и 4339 неудачных кампаний) использовались в качестве базы данных вне выборки, на которой мы тестировали наш предсказатель успеха.

Обозначим черезQ (t)накопленный залог к ​​днюtкампании, а черезQ0 обозначим цель, а именно целевой залог. Поскольку проекты сильно различаются по целевому залогу, чтобы поставить все кампании в один ряд, мы рассмотрели уменьшенный залог,q (t)=Q (t) / Q0. Мы обнаружили, что динамика накопления залога больше зависит отq(t), чем от целевого залогаQ0, поэтому такое снижение является оправданным.

Мы разделили все кампании на успешные и неудачные и отдельно изучили их статистику. Для этого мы построили статистическое распределение накопленных взносов для каждого этапа (дня) кампании и охарактеризовали их CDF, \ ( \ left ( \ right) = _q ^ \ infty \ right) dq \ prime>\), где ρ- PDF. Имеет место следующее соотношение \ (\ rho _0N_0 + \ rho _sN_s + \ rho _fN_f \), где ρ sи ρ f- это PDF-файлы для успешных и неудачных проектов соответственно, а ρ 0 - PDF-файлы для всех проектов вместе.

Хотя у нас есть данные только об общих ежедневных обещаниях, а не об обещаниях отдельных спонсоров, мы можем использовать большой сигнал ежедневного обещания в качестве прокси для крупного индивидуального обещания спонсора. Действительно, наш анализ количества спонсоров, которые вносили вклад в каждый день, показал, что дни с большими общими взносами не отображали значительно больше спонсоров, чем обычные дни.

Из фиг. 2 и 3 видно, что набор успешных кампаний с самого начала имеет сигнатуру, которую довольно легко решить: это наличие жирных хвостов в распределении обещаний успешных кампаний, что свидетельствует о сторонниках типа II.

На рис. 4 видно, что существует линия (окрашенная в красный цвет на рисунке), так что подавляющее большинство успешных кампаний находится над ней, а неудачные - в основном под ней. Действительно, видно, что красная линия размещена:

-На рис. 4а он находится над белой областью, которая содержит только 10% успешных кампаний с самыми низкими обещаниями.

-На рис. 4b он находится под белой областью, которая содержит только 10% неудачных кампаний с самыми высокими обещаниями.

аCDFs накопленных взносов для успешных кампаний в зависимости от времени с момента запуска кампании. Отображаются только первые 7 дней. Все взносы делятся по цели сбора средств. Оттенки серого для каждого значения уменьшенного накопленного залогаqпоказывают, какая доля кампаний накопила взносы нижеq. Красная линия - это порог. Хорошо видно, что существует лишь несколько успешных кампаний, которые в любой момент опускаются ниже порога.bCDF накопленных взносов за неудавшиеся кампании. Хорошо видно, что провальных кампаний выше порога почти нет. Мы показываем в тексте, как использовать этот факт для раннего прогноза исхода кампании.

На этом основании можно довольно точно предсказать успех на каждый день, установив, будут ли накопленные в этот день обязательства выше или ниже порогового значения.

Далее мы объясним, как мы выбрали порогq0(красная кривая на рис. 1 и 4) и почему он обеспечивает полезный критерий для прогнозирования результатов кампании. Следуя рис.3, рассмотрим следующую функцию

Первый член представляет собой общее количество неудачных кампаний, которые к моментуtсобрали общий залог, превышающийq0 , а второй член представляет количество успешных кампаний, которые к моментуtсобрали общий залог нижеq0 . Если мы рассмотримq0 (t) как предсказатель успеха после этапаt, первое слагаемое в уравнении. (1) - это количество ложноположительных событий, а второй член представляет количество ложноотрицательных событий. Наш алгоритм прогнозирования минимизирует количество ложных событий в каждый момент времениt, а именно, для каждого этапа кампании мы находимq0 (t), минимизирующийF(q0).

Чтобы измерить успех нашего алгоритма прогнозирования, мы определяем точность прогнозирования как:

А именно, для каждого этапа кампании мы складываем количество ложноположительных прогнозов (общее количество неудачных кампаний выше порога на рис. 4b) и ложноотрицательных прогнозов (общее количество успешных кампаний ниже порога на рис. 4a. ). Затем мы делим эту сумму на общее количество кампаний.

Для сравнения с предыдущими исследованиями мы наносим на рис. 5 график точности прогнозовA(q0, t), представленный в каждом из этих исследований, в зависимости от этапа кампании. Мы наблюдаем, что точность нашего предсказателя превосходит точность других групп, особенно в решающие дни в начале кампании.

Точность прогнозаA(q0 ,t) нашего исследования по сравнению с другими. Наши данные относятся к кампаниям продолжительностью 30 дней (подавляющее большинство проектов Kickstarter).

Порог - это бинарный предиктор, предлагающий наилучшую оценку того, будет ли данный проект с большей вероятностью успешным или неудачным, независимо от того, насколько выше или ниже пороговая траектория обещанного проекта. Далее мы рассмотрим более точный инструмент, который рассчитывает вероятность успеха проекта. Мы определяем вероятность успеха кампании, в которой накопилось нормализованное обещаниеqв момент времениt,следующим образом:

На рисунке 6 показана эта вероятность для разных дней кампании. Фактически, рис. 6 можно использовать в качестве графического инструмента, подобного «таблице» с непрерывным числом столбцов для непосредственного чтения вероятности успеха как линии равной вероятности, на которой координатыxиy, которые соответствуюттидкампании, встречайте.

Вероятность успеха по уменьшенному накопленному залогуqна каждом этапе кампании. ОсьY- это накопленное обещание, нормализованное по цели сбора средств (целевое обещание),X-ось - это стадия проекта, нормализованная к общей продолжительности кампании (поскольку большинство кампаний имели продолжительность 30 дней, мы также пометилиX-ось со дня С 1 по 30 день по верхней осиX). Цветными кривыми обозначены контуры равной вероятности успеха.

В качестве примера использования этой карты предположим, что на этапе кампании, соответствующем 70% отведенного времени, кампания накопила 30% целевого залога. Мы видим, что соответствующие пунктирные прямые линии пересекаются на зеленой контурной линии, представляющей вероятность успеха 0,5.

Как оказалось, когда метод вывода рис. 6 применяется к набору кампаний вне выборки, получается, что только 0,5% прогнозов отклоняются более чем на 10%.

Обсуждение

Наш анализ показывает разительную разницу между динамикой финансирования успешных и неудачных кампаний на Kickstarter, даже на очень ранней стадии кампании. Рисунки 2 и 3 показывают, что эти схемы финансирования принципиально различаются, поскольку неудавшиеся кампании демонстрируют экспоненциальное распределение обещаний, в то время как успешные кампании демонстрируют тяжелое распределение обещаний.

Для успешных кампаний хвост распределения залога следует степенной зависимости с показателем, близким к единице (1,35), что подразумевает разброс размеров залога в очень широком масштабе.

Рисунок 5 показывает, что даже ограничивая наш метод двоичным выбором с целью сопоставимости с другими работами, наш метод обеспечивает лучшую точность уже в первые три дня кампании. Более того, наш метод прозрачен и может быть легко применен кем угодно (особенно, если считать вероятность успеха на рис. 6). Возможно, эти результаты также могут помочь в разработке стратегий продвижения кампаний путем вмешательства в процесс принятия обязательств (Muchnik et al., 2013).

Хотя данные позволяют нам исключить мультипликативные случайные блуждания или самовозбуждающие процессы в случае кампаний на Kickstarter, все еще неясно, каково происхождение распределения обещаний с тяжелым хвостом и особенно как его вызвать. Это важный момент для понимания и воспроизведения успешных кампаний: для кампаний Kickstarter само название «вирусный», которое подразумевает заражение между участниками, ставится под сомнение текущими данными, которые отображают распределение с большим хвостом с самого начала кампании. . Таким образом, кампании на Kickstarter лучше соответствуют гипотезе «гомофилии» (Muchnik et al., 2013), которая утверждает, что причина того, что люди реагируют на один и тот же стимул, заключается не в заражении их связями, а в простом факте их схожих предпочтений.

Надежда понять механизм, ответственный за успех кампании на Kickstarter, подкрепляется еще и тем фактом, что в отличие от подхода машинного обучения или статистического вывода «черного ящика», наш анализ использует наблюдаемое поведение соответствующих групп, участвующих в процесс.

Выводы

Мы создали простой и точный инструмент для прогнозирования успеха кампании на Kickstarter даже на ее ранней стадии. Мы не обнаружили почти никакой корреляции между обещаниями, сделанными в разные дни, которые указывали бы на влияние ранних обещаний на более поздние. Таким образом, наш инструмент прогнозирования не основан на анализе временных рядов. Наши эмпирические данные свидетельствуют о том, что ключом к успеху кампании является априорное внутреннее свойство сообщества сторонников, а не общение / взаимное влияние между ними. Это оставлено для будущих исследований, чтобы проверить, стоит ли этот «невирусный» коллективный ответ за социальным успехом других классов процессов, таких как просмотры на YouTube, твиты в Twitter, Facebook и лайки в блогах.

Доступность данных

Наборы данных, проанализированные в этом исследовании, были получены из репозитория Sidekick.com, http://sidekick.epfl.ch/data, собранные В. Эттером, М. Гроссглаузером и П. Тираном.

использованная литература

Чен К., Джонс Б., Ким И., Шламп Б. (2013) Kickpredict: прогнозирование успеха кикстартера. Технический отчет, Калифорнийский технологический институт

Чунг Дж., Ли К. (2015) Долгосрочное исследование краудфандинговой платформы: прогнозирование успеха проекта и суммы сбора средств. В материалах 26-й конференции ACM по гипертексту и социальным медиа. ACM. стр. 211–220

Эттер В., Гроссглаузер М., Тиран П. (2013) «Беги жестко или иди домой!»: Предсказание успеха кикстартерных кампаний. В материалах первой конференции ACM в социальных сетях. ACM. стр 177–182

Голосовский М., Соломон С. (2013) Переход к бессмертию: нелинейный автокаталитический рост цитирования научных статей. J Stat Phys 151 (1-2): 340–354.

Гринберг, доктор медицины, Пардо Б., Харихаран К., Гербер Э. (2013) Инструменты поддержки краудфандинга: прогнозирование успеха и неудачи. В CHI'13 Extended Abstracts on Human Factors in Computing System. ACM. стр 1815–1820

Кейнс Дж. М. (2018) Общая теория занятости, процентов и денег. Спрингер, Чам

Kuppuswamy V, Bayus BL (2015) Обзор краудфандинговых исследований и результатов. справочник по исследованиям в области разработки новых продуктов (готовится к печати). https://ssrn.com/abstract=2685739. Доступ 28 октября 2015 г.

Леви М., Соломон С. (1996) Степенные законы - это логарифмические законы Больцмана. Int J Mod Phys C 7 (04): 595–601.

Леви М., Леви Х., Соломон С. (1994) Микроскопическая модель фондового рынка: циклы, взлеты и падения. Econ Lett 45 (1): 103–111

Мучник Л., Арал С., Тейлор С.Дж. (2013) Смещение социального влияния: рандомизированный эксперимент. Наука 341 (6146): 647–651.

Mitra T, Gilbert E (2014) Язык, который побуждает людей говорить: фразы, предсказывающие успех на кикстартере. В материалах 17-й конференции ACM по компьютерам поддерживается совместная работа и социальные вычисления. ACM. стр. 49–61

Qiu C (2013) Проблемы краудфандинга: теоретические и эмпирические исследования на Kickstarter. https://ssrn.com/abstract=2345872. Доступ 27 октября 2013 г.

Рао Х, Сюй А, Ян Х, Фу В.Т. (2014) Новые тенденции в краудфандинговых кампаниях. В Международной конференции по социальным вычислениям, поведенческому и культурному моделированию и прогнозированию. Springer, Cham, стр. 333–340.

Соломон С., Вайсбух Г., де Арканджелис Л., Ян Н., Штауфер Д. (2000) Модели социальной перколяции. Phys A 277 (1-2): 239–247.

Соломон С., Ричмонд П. (2001) Степенные законы богатства, объемы рыночных заказов и рыночная доходность. Phys A 299 (1-2): 188-197.

Новости спорта

Изначально сайт создавался для пользователей со всех стран мира. Международный домен ориентирован на самых разных пользователей. Страницы сайта переведены на 46 языков, среди которых есть и азербайджанский. Это выгодно выделяет платформу на фоне конкурентов, так как многие из них либо не работают на территории данной страны, либо не имеют местной локализации.

Больше новостей