Effective strategies to attract crowdfunding investment based on the novelty of business ideas

Eunjun Jung, Changjun Lee, 황준석 (2022) · Technological Forecasting & Social Change 178:121558 · DOI ↗

비즈니스 아이디어 참신성이 크라우드펀딩 성공에 직접 영향을 미치는지에 대한 문헌의 상충 (Hyytinen et al. 2015 vs Chan and Parhankangas 2017) 을 조절 효과 프레임으로 재해석. Kickstarter 7,406 프로젝트의 텍스트에 Infersent 기반 딥러닝 참신성 탐지 모델 (BiLSTM, 2048 차원 sentence embedding) 로 참신성 정량화. 신호 이론 기반 가설: (i) 참신성 자체는 직접 효과 없음, (ii) target 다각화는 증분형에 양, 급진형에 해롭다, (iii) 정보 업데이트는 비선형 (역 U), (iv) 양방향 소통은 직접 양 + 참신성 강화. 모두 OLS·tobit·logit·negative binomial robustness 로 확인.

• RQ: 비즈니스 아이디어의 참신성 수준이 크라우드펀딩 전략 (target 다각화·정보 업데이트·양방향 소통) 의 효과를 어떻게 조절하는가?
• 방법론: 딥러닝 + infersent-embedding (Conneau et al. 2017 BiLSTM, 2048-dim, SNLI 학습) → 문장 간 거리 기반 참신성 탐지, OLS 회귀 (+ tobit/logit/negative binomial robustness)
• 데이터: Kickstarter 크라우드펀딩 프로젝트 7,406 건 (2009-2019, 11년, 영어, 기술 카테고리, 펀딩 ≥ $100), 42,165 중간 업데이트 + 199,925 코멘트
• 주요 발견: H1 confirmed (novelty 직접 효과 무), H2 (diversification 양), H3 (novelty × diversification 음, 급진형엔 해로움), H4 (updates 역 U), H5 (comments 양), H6 (novelty × comments 양). 평균 5.6 업데이트, 평균 27 코멘트, 64.4% 성공률.
• 시사점: 급진적 참신 아이디어 창업자는 집중 (focused) 타겟 + 양방향 소통 강화가 핵심. 증분형은 다각화 + 적정 업데이트. 참신성에 따른 차별화된 전략 설계.

요약

크라우드펀딩 성공 요인 문헌은 프로젝트 요인 (준비도·업데이트·기간·설명 — Mollick 2014, Burtch et al. 2013) 과 창업자 요인 (인적·사회 자본·지리 — Ahlers et al. 2015, Agrawal et al. 2014) 으로 양분되어왔으나 참신성 (novelty) 효과는 상충적 결론에 머물러왔다. Hyytinen et al. (2015), Jennings et al. (2009) 는 참신성이 생존 향상 능력을 통한 양의 효과를, Chan and Parhankangas (2017), Gerber et al. (2012) 는 불확실성 증가를 통한 음의 효과를 보고. 저자들은 이 모순이 trade-off 가정에서 비롯되며 직접 효과 + 조절 효과 분리로 해결됨을 신호 이론 (Spence 2002; Connelly et al. 2011) 프레임에서 제안한다.

방법론적 기여는 deep learning 기반 novelty 측정이다. Kickstarter 의 7,406 프로젝트 설명 텍스트에 Infersent (Conneau et al. 2017, BiLSTM with Stanford Natural Language Inference labeled dataset 학습) 를 적용해 2,048 차원 sentence embedding 을 구성. 각 문장에 대해 시간 순서로 기존 프로젝트의 가장 가까운 10개 벡터와의 거리를 계산해 문장 이질성을 측정. 프로젝트의 상위 10% 문장 이질성 평균을 novelty proxy 로 표준화. 이는 기존 NLP novelty mining (Tsai and Zhang 2011; Karkali et al. 2013; Hu et al. 2019) 의 발전된 응용. Control 변수: complexity (Flesch readability), duration, description word count, human capital (이전 펀딩 경험), social capital (타 프로젝트 후원 활동), visuals (이미지 수), year/category dummy.

OLS 회귀 + tobit/logit/negative binomial robustness 결과: (i) H1 — novelty 직접 효과 무 (b = small, p > 0.1). (ii) H2 — diversification 양. (iii) H3 — novelty × diversification 음 — 급진형 아이디어에 다각화는 오히려 해로움, 메시지 흐릿함·정보 비대칭 확대. (iv) H4 — updates 역 U — 적정 빈도 최대, 과다는 신뢰성 약화 (Block et al. 2014). (v) H5 — comments (양방향 소통) 직접 양. (vi) H6 — novelty × comments 양 — 급진형에서 양방향 소통의 정보 비대칭 완화·신뢰 구축 효과가 강화. 강건성 검사: 7,406 프로젝트를 상위 25% (Novel), 중간 50% (Middle), 하위 25% (Redundant) 3 그룹으로 분리 → 그룹별 diversification 계수 차이가 유의 (F-test).

함의는 novelty-dependent strategy. 급진 아이디어 (e.g. 새 기술 분야) 창업자는 집중 타겟팅 (특정 reward 유형·가격대) 과 적극 양방향 소통 (Q&A·즉답) 에 자원을 투입해야 함. 증분 아이디어 (e.g. 기존 제품 개선) 는 다각화 + 적정 업데이트로 wide audience 흡수. 황준석 의 ICT·플랫폼 경제·entrepreneurial finance 라인에서 NLP·deep learning 방법론을 엮은 작업이다.

핵심 결과

가설	변수	예측	결과	해석
H1	Novelty	직접 효과 없음	confirmed	novelty 자체로 펀딩 결정 안 함
H2	Diversification	양	confirmed	평균 효과 양
H3	Novelty × Diversification	음	confirmed	급진형엔 다각화 해로움
H4	Updates	역 U (비선형)	confirmed	적정 업데이트 최대
H5	Comments	양	confirmed	양방향 소통 직접 효과
H6	Novelty × Comments	양	confirmed	급진형에서 소통 효과 강화

(표본 7,406, 평균 lnPledged 9.21, 평균 64.4% 성공, 평균 5.6 updates · 27 comments. OLS + tobit/logit/negative binomial 강건성.)

방법론 노트

Deep learning 기반 novelty 측정: Infersent (Conneau et al. 2017) 는 Stanford Natural Language Inference 데이터셋으로 학습된 BiLSTM 모델로, 문장 의미를 2,048 차원 벡터로 인코딩. 각 프로젝트 설명의 문장들을 임베딩한 뒤 시간 순서대로 기존 프로젝트와 비교. 각 문장 $s$ 에 대해 기존 프로젝트의 가장 가까운 10개 문장 벡터와의 거리 평균을 문장 이질성 으로 정의. 프로젝트 전체 novelty 는 상위 10% 문장 이질성의 평균을 표준화 (z-score). 이는 문장 단위 novelty 가 집계되어 프로젝트 단위로 환산되는 document-to-sentence framework (Tsai and Zhang 2011).

회귀 모델:

$$\ln \text{Pledged} = \beta_0 + \beta_1 \text{Novelty} + \beta_2 \text{Diversification} + \beta_3 \text{Diversification} \cdot \text{Novelty} + \beta_4 \text{Updates} + \beta_{42} \text{Updates}^2 + \beta_5 \text{Comments} + \beta_6 \text{Comments} \cdot \text{Novelty} + \mu$$

여기서 $\beta_{42}$ 가 updates 의 비선형 (역 U) 효과, $\beta_3$ 와 $\beta_6$ 가 novelty 의 조절 효과. Flesch Readability Index: $206.835 - 1.015 \cdot \frac{\text{words}}{\text{sentences}} - 84.6 \cdot \frac{\text{syllables}}{\text{words}}$. 강건성: VIF mean 1.25 (다중공선성 없음), Breusch-Pagan test 비기각 (등분산), 3-group dummy F-test (다각화 계수 그룹간 차이 유의).

연구 계보

Spence (2002) 의 신호 이론 와 Connelly et al. (2011) 의 경영 응용을 entrepreneurial finance 에 적용. Mollick (2014), Bayus (2013), Belleflamme et al. (2013, 2014) 의 크라우드펀딩 성공 요인 문헌의 직접 효과 가설들을 조절 효과 프레임으로 재구성. Horváth et al. (2018), Chan and Parhankangas (2017), Xiao et al. (2017) 의 참신성 효과 논쟁을 해소. Block et al. (2014, 2018) 의 정보 업데이트 효과, Kuppuswamy and Bayus (2017) 의 펀딩 dynamics, Sapienza and Korsgaard (1996), Van Rijnsoever et al. (2017) 의 founder-investor 관계 이론을 활용. 방법론은 Conneau et al. (2017) 의 Infersent, Bowman et al. (2016) 의 SNLI corpus, Tsai and Zhang (2011)·Karkali et al. (2013)·Dasgupta and Dey (2016)·Hu et al. (2019) 의 NLP novelty mining 발전 라인에 위치. 황준석 의 4기 (2020-2023) 스마트시티·AI·지속가능 전환 시기의 ICT·entrepreneurial finance 작업으로, NLP·deep learning 의 사회과학 적용 사례.

See also

• 황준석
• Eunjun Jung
• Changjun Lee
• Technological Forecasting & Social Change
• 크라우드펀딩
• 신호 이론
• 딥러닝
• 참신성 탐지
• 창업 금융

인접 그래프

1-hop 이웃 12개

• 인물 3
• 방법론 4
• 주제 3
• 수록처 1
• 분류 1

↻ 초기화

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

인물 (2)

• 황준석
• Eunjun Jung