استخراج الگوهای رفتاری افراد در تامین مالی جمعی پروژه با استفاده از هوش مصنوعی و شناسایی سرمایه‌گذاران کلیدی

تامین مالی جمعی به عنوان یک روش جدید، سهم مهمی در پروژه‌ها بخصوص برای کسب وکارهای کوچک و متوسط دارد. با وجود فعالیت چندساله سکوهای تامین مالی جمعی در ایران، هنوز مقیاس پروژه‌‌‌ها و حجم سرمایۀ تامین شده توسط این سکوها در مقایسه با سایر کشورها با عملکرد مورد انتظار فاصله دارد. با هدف بهبود وضعیت موجود، ابتدا عوامل موفقیت تامین مالی جمعی پروژه‌ها در چهار گروه اصلی سرمایه‌گذاران، مالک پروژه، پروژه و سکوی تامین مالی دسته‌بندی شد. در مرحلۀ بعد مشخص گردید که به گروه سرمایه‌گذاران کمتر پرداخته شده به همین خاطر پژوهش حاضر بر عوامل مرتبط با این گروه متمرکز شد. سپس با استفاده از ابزارهای هوش مصنوعی، اطلاعات ثبت شده در پایگاه دادۀ یکی از سکوهای فعال تحلیل گردید و روندهای غالب در فرآیند سرمایه‌گذاری، الگوهای رفتاری و روابط بین‌فردی شناسایی شد. در پایان با استفاده از یادگیری ماشین و ابزاریادگیری قانون وابستگی ارتباطات معناداری بین مشارکت افراد و درجۀ اهمیت آنان پدیدار و برخی از آن‌ها به عنوان کاربران کلیدی شناسایی شدند. با توجه به کشف رابطۀ معنادار و الگوهای تکرارشونده در مشارکت افراد، نتایج این مقاله برای صاحبان ایدۀ جدید، مالکان پروژه، سیاست‌گذاران تامین مالی جمعی، پژوهشگران، مدیران سکوهای تامین مالی جمعی و سرمایه‌پذیران این حوزه راهگشا خواهد بود.

extracting behavioral patterns of people in crowdfunding projects using artificial intelligence and identify key investors

crowdfunding as a new method has an important contribution to projects, especially for small and medium-sized businesses. despite the many years of activity of crowdfunding platforms in iran, the scale of projects and the volume of capital provided by these platforms are still far from the expected performance compared to other countries. with the aim of improving the current situation, first, the success factors of crowdfunding projects were categorized into four main groups: investors, project owner, project, and financing platform. in the next stage, it was determined that the investor group was less addressed, so the present study focused on factors related to this group. then, using artificial intelligence tools, the information recorded in the database of one of the active platforms was analyzed and the dominant trends in the investment process, behavioral patterns, and interpersonal relationships were identified. finally, using machine learning and the association rule learning tool, meaningful relationships emerged between the participation of individuals and their degree of importance, and some of them were identified as key users. by discovering meaningful relationships and recurring patterns in individual participation, the results of this paper will be useful for new idea owners, project owners, crowdfunding policymakers, researchers, crowdfunding platform managers, and investors in this field.