Recommending Systems for Crowdfunding

This work aims to develop a predictive model designed to assist future creators of crowdfunding campaigns through the experimentation and use of machine learning models. The goal is to help creators optimize their campaign settings. To achieve this, an interactive dashboard will be created, allowing users to select features related to their project, such as name, duration, funding goal, etc. The predictive model will estimate the probability of success or failure of the campaign, while the recommendation component will leverage post-campaign data to provide insights on how to improve the success rate based on the selected category and subcategory. Additionally, it will display examples of successful past campaigns that can serve as references. To develop the predictive model, the process will begin with an analysis of the problem type, followed by a review of existing literature to better understand the techniques already used and identify those most likely to perform well. After selecting the dataset, an exploratory data analysis will be conducted before moving on to modeling and evaluation. The next step will involve designing an interactive dashboard with recommendations based on insights derived from post-campaign data. Finally, conclusions will be drawn from the experimentation, assessing potential biases and future improvements.

Questa dissertazione ha l’obiettivo di sviluppare un modello predittivo destinato ad aiutare futuri creatori di campagne di crowdfunding tramite la sperimentazione e l’uso di modelli di machine learning. L’obiettivo sarà quello di aiutare i creatori a migliorare le impostazioni delle loro campagne, per questo, si andrà a creare una dashboard interattiva che permetterà all’utente di selezionare le feature corrispondenti alla propria idea, quali nome, durata, obiettivo di finanziamento etc. Al modello predittivo sarà lasciato il compito di stimare la probabilità di successo o insuccesso della campagna, mentre per la parte dei suggerimenti verranno utilizzati i dati post-campagna disponibili per dare delle indicazioni su come migliorare la percentuale di successo in base alla categoria e alla sottocategoria selezionata, anche mostrando alcuni esempi di campagne di successo già terminate da poter prendere come riferimento. Per la creazione del modello predittivo, si partirà dallo studio del tipo di problema, si procederà con un approfondimento della letteratura già esistente per comprendere meglio quali siano le tecniche già utlizzate e quali hanno maggior probabilità di performare meglio. Dopo la selezione del dataset, verrà fatta un’analisi esplorativa prima della modellazione e valutazione. Si seguirà con la progettazione di una dashboard interattiva con suggerimenti basati su logiche derivate dai dati post-campagna. Infine, verranno tratte le conclusioni della sperimentazione e valutati i possibili bias e miglioramenti futuri.