ВЛИЯНИЕ ПАРАМЕТРОВ АУДИО И ВИДЕОКОНТЕНТА КРАУД-ПРОЕКТА НА ЕГО УСПЕШНОСТЬ

THE IMPACT OF THE PARAMETERS OF THE AUDIO AND VIDEO CONTENT OF A CROWD PROJECT ON ITS SUCCESS

Artem Gavrilov

Masters’ student, Novosibirsk State Technical University,

Russia, Novosibirsk

АННОТАЦИЯ

Статья посвящена исследованию влияния некоторых параметров аудио- и видеоконтента страницы крауд-проекта на его успешность. В работе приведены теоретические основы краудфандинга, представлены выдвинутые гипотезы, описаны используемые для проверки гипотез метод логистической регрессии и набор данных. На основе полученных результатов сформулированы рекомендации по аудио- и видеоконтенту страницы крауд-проекта.

Ключевые слова: краудфандинг; крауд-платформы; крауд-проект; видеоконтент; аудиоконтент; логистическая регрессия; рекомендации.

Краудфандинг представляет собой объединение активов людей для поддержки реализации тех или иных проектов других людей. Другими словами, основной его идеей является возможность привлечения относительно небольших инвестиций от относительно большого круга людей (часто неограниченного) с целью финансирования высокорискованных предпринимательских проектов посредством интернета без участия финансовых посредников [1]. Реализация такой деятельности как краудфандинг происходит с использованием специальных «краудфандинг-платформ». Такие платформы позволяют фирмам и предпринимателям привлекать средства, а розничным инвесторам участвовать в привлекательных коммерческих перспективах. В России краудфандинг стал развиваться несколько позже. Самыми масштабными и известными считаются «Boomstarter» и «Planeta». У данных платформ различные тематики проектов, так Boomstarter сосредоточен на творческих, бизнес- и технологических проектах, а Planeta.ru фокусируется на творческих и благотворительных сборах.

На сегодняшний день при создании краудфандингового проекта всё больше авторов прикрепляют видео к нему, чтобы охарактеризовать главные цели своего проекта и донести информацию до инвесторов. Чтобы создать хороший видеоконтент, нужно знать его показатели, которые влияют на успешность. Ведь показатели видеоконтента – это данные, которые позволяют оценить эффективность видео.

Например, в своей статье А.Г. Авсиевич, А.А. Хомутова выделяют три важных фактора, которые необходимо учитывать при создании видео [2]. Первым является «viewer-friendly» стилистика. Это означает дружественность для зрителя. Именно качественный сценарий и оформление помогут человеку вникнуть и заинтересовать его. Следующим фактором выделяется доступность терминологии. Нужно не перенасытить видео ненужными терминами, но подать основные базовые понятным языком. Для объяснения можно воспользоваться красочной и понятной анимацией. Последний фактор – это продолжительность видео. Видео не должно быть длинным, чтобы не перенасытить человека информацией.

В качестве основных факторов, характеризующих аудио- и видеоконтент страницы крауд-проекта и влияющих на результативность крауд-кампании, решено взять количество видео на странице проекта, наличие титров, наличие автора в ролике, качество звука, наличие пояснения о сути проекта, чистота речи выступающего, красочность ролика, смена кадров и продолжительность ролика. Были сформулированы следующие гипотезы о влиянии перечисленных факторов на результативность крауд-проекта:

Н1: Количество видео на странице проекта прямо пропорционально его успешности;

Н2: Суммарная продолжительность видео о проекте обратно пропорционально его успешности;

Н3: Наличие титров в ролике на странице проекта прямо пропорционально его успешности;

Н4: Наличие автора в ролике на странице проекта прямо пропорционально его успешности;

Н5: Качество звука ролика на странице проекта прямо пропорционально его успешности;

Н6: Пояснение о сути проекта в ролике на странице проекта прямо пропорционально его успешности;

Н7: «Чистота» речи автора в ролике на странице проекта прямо пропорционально его успешности;

Н8: Красочность ролика на странице проекта прямо пропорциональна его успешности;

Н9: Смена кадров в ролике на странице проекта прямо пропорционально его успешности.

Для принятия или не принятия данных гипотез выбран такой метод, как логистическая регрессия. Данный метод является статическим методом, который нужен, чтобы предсказать вероятность какого-то события по значениям независимых переменных. Бинарная логистическая регрессия прогнозирует какую-то бинарную величину, то есть принимающую только два значения.

Вероятность наступления события в логистической модели описывается функцией:

где:

– переменная, которая равна единице, если событие наступило, и нулю в противном случае;

– стандартное уравнение линейной регрессии;

– основание натуральных логарифмов.

Для определения коэффициентов логистической регрессии используется метод максимального правдоподобия, который заключается в оценке неизвестного параметра путем максимизации функции правдоподобия. Эта функция определяет вероятность значений параметров модели регрессии для заданного значения независимой переменной.

Этот метод помогает найти модель, которая наилучшим образом описывает обучающую выборку, полученную из неизвестного распределения. Он позволяет подобрать такую оценку параметра, при которой максимальная вероятность получения имеющихся данных.

Для проведения регрессионного анализа будут использованы язык Python и специальные библиотеки NumPy, Pandas и statsmodels, применяющиеся для машинного обучения и позволяющие обучать разные виды регрессии. При этом в качестве платформы проведения регрессионного анализа выбрана «Google Colaboratory», которая представляет собой платформу для блокнотов «Jupyter», позволяющих работать на «Python».

Для проведения анализа были собраны данные о различных краудфандинговых проектах, размещенных на самом масштабном отечественном краудфандинговом сервисе Planeta.ru. Была сформирована таблица о 303 завершенных проектах.

Датасет включает информацию о 15 параметрах крауд-проектов успешность проекта (status), процент собранных средств (collected_means), количество поддержек проекта (project_supports), целевая сумма (target_amount), продолжительность проекта (duration_project), категория проекта (category), количество видео (nmb_video), суммарная продолжительность видео о проекте (total_duration_video), наличие титров в видео (titles), наличие автора проекта в видео (author_video), качество звука на видео (sound_quality), цель сбора средств (purpose_collection), чистота речи (purity_speech), красочность видео (color_video), смена кадров на видео ( change_shot). Описание данных параметров, включающее методы оценки, представлено в таблице 1.

Таблица 1.

Описание параметров датасета

Для проведения регрессионного анализа в качестве зависимой переменной взята переменная «status», а в качестве независимых – только переменные «nmb_video», «author_video», «sound_quality», «purpose_collection», «purity_speech» и «color_video». Данные независимые переменные выбраны в результате корреляционного анализа влияния независимых переменных на зависимую.

Для оценки качества построенной регрессионной модели была сформирована ROC-кривая, которая отражает, на сколько правильно данные из выборки были определены моделью как имеющие исследуемый признак (получена целевая сумма) и не имеющие. Площадь под ROC-кривой (показатель AUC) равна около 0,71. Это означает, что построенная модель имеет приемлемое качество.

Также для модели вычислена точность предсказания. Точность модели при определении безуспешных проектов составляет 73%, а успешных – 84%.  Общая же точность предсказания составила 82%. Это говорит о том, что модель верно определяет успешность 82% всех крауд-проектов. Значит, модель имеет довольно высокую точность.

В таблице 2 представлены значения коэффициентов уравнения линейной регрессии и p-значения, полученные после обучения логистической регрессии.

Таблица 2.

Значения коэффициентов линейной регрессии и p-значения

Из представленных в таблице 2 значений коэффициентов регрессии, составлено уравнение линейной регрессии z. Оно выглядит следующим образом:

P-значения, меньшие уровня значимости 0.05, оказались у независимых переменных «author_video» и «color_video». То есть вероятность ошибки при отклонении гипотезы об отсутствии влияния данных независимых переменных на зависимую меньше 5 %. Взаимосвязи между указанными независимыми переменными и зависимой переменной можно считать статистически значимыми. Взаимосвязи же между остальными независимыми переменными и зависимой значимыми не являются.

В модели логистической регрессии полученные значения коэффициентов относятся к логит-переменной z, а не к самой результирующей переменной, отражающей вероятность достижения финансовой цели проекта, поэтому для интерпретации влияния факторов на результирующую переменную, вычислен так называемый предельный эффект (среднее значение всех предельных эффектов для каждого наблюдения), отражающий, на сколько меняется вероятность получения финансирования при небольшом изменении зависимой переменной. В таблице 3 представлены значения предельных эффектов и p-значения, вычисленные для независимых переменных.

Таблица 3.

Значения предельных эффектов и p-значения

Из таблицы 3 можно заметить, что наиболее сильно воздействует на вероятность достижения проектом финансовой цели переменная «author_video». Полученный для нее предельный эффект говорит о том, что повышение логарифма на единицу, что эквивалентно увеличению наличия автора в кадре в 2,72 раза (число е), то есть изменения отсутствия автора на присутствие, увеличивает вероятность достижения финансовой цели на 22,77%.

Чуть меньшее влияние оказывает фактор «color_video». При увеличении красочности картинки в 2,72 раза, то есть добавлении большего числа ярких и чётких кадров, вероятность успешного завершения крауд-кампании увеличивается на 15,34%.

Обратимся к ранее выдвинутым гипотезам. Гипотезы Н4 и Н8 приняты, а остальные гипотезы не приняты.

Таким образом, в результате проведённого анализа удалось сформулировать следующие рекомендации по видеоконтенту страницы крауд-проекта:

- автору рекомендуется присутствовать в заглавном видеоролике страницы крауд-проекта;

- рекомендуется, чтобы заглавный видеоролик содержал больше ярких и чётких кадров.

Выполнение данных рекомендаций позволит увеличить успешность крауд-проектов авторов, то есть количества привлечённых инвесторов и, соответственно, размера собранных денежных средств.

Список литературы:

1. Сыщикова Е. Н. Развитие института краудфандинга в Российской Федерации //Цифровая и отраслевая экономика. – 2020. – №. 4. – С. 182-188.
2. Авсиевич А. Г., Шкор О. Н. Продвижение инновационного проекта, основанного на технологии блокчейн, с помощью видео-маркетинга //Big data and advanced analytics. – 2021 –№7-1. – С. 158-160.