Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Διοίκησης Επιχειρήσεων / School of Business Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας / Department of Management Science and Technology Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Fan lag analysis: predicting fan attendance across time with a combined binary classification and survival analysis model

Εναλλακτικός τίτλος :	Ανάλυση βραδύτητας θιασώτη

Δημιουργός :	Κοκκινόπουλος-Μοράλες, Κωνσταντίνος Kokkinopoulos-Morales, Konstantinos

Συντελεστής :	Καρλής, Δημήτρης (Επιβλέπων καθηγητής) Athens University of Economics and Business, Department of Management Science and Technology (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	40p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7355

Περίληψη :	Live music promotion is a growing but also complex industry. Traditionally, event planning is shaped according to the ongoing ticket sales success. This thesis, studies the application of a machine learning approach that predicts ticket sales for a live music event (concert or festival) across time. The approach is called Fan Lag Analysis and builds upon the assumption that ticket sales of live music events can be predicted if two fan characteristics are modeled: propensity for ticket ordering and the expected time for the same action. In that direction, the methodology combines modeling concepts from binary classification and survival analysis. Finally, simulation tests are applied to generate robust predictions of expected ticket sales scenarios. With the validation of the research assumptions at a synthetic dataset of fan variables, Fan Lag Analysis opens a whole new range of possibilities in live music promotion strategies through data-driven ticket sales predictions. Η προώθηση της ζωντανής μουσικής είναι μια αναπτυσσόμενη αλλά και σύνθετη βιομηχανία. Παραδοσιακά, ο προγραμματισμός των εκδηλώσεων διαμορφώνεται σύμφωνα με την επιτυχή πορεία των πωλήσεων εισιτηρίων. Αυτή η εργασία, μελετά την εφαρμογή μιας προσέγγισης μηχανικής μάθησης που προβλέπει τις πωλήσεις εισιτηρίων για μια συναυλία ζωντανής μουσικής (συναυλία ή φεστιβάλ) στον χρόνο. Η προσέγγιση ονομάζεται Fan Lag Analysis και βασίζεται στην υπόθεση ότι οι πωλήσεις εισιτηρίων συναυλιών ζωντανής μουσικής μπορούν να προβλεφθούν εάν έχουν διαμορφωθεί δύο χαρακτηριστικά θιασωτών: η τάση για παραγγελία εισιτηρίων και ο αναμενόμενος χρόνος για την ίδια ενέργεια. Σε αυτή την κατεύθυνση, η μεθοδολογία συνδυάζει έννοιες μοντελοποίησης από δυαδική ταξινόμηση και ανάλυση επιβίωσης. Τέλος, εφαρμόζονται δοκιμές προσομοίωσης για τη δημιουργία ισχυρών προβλέψεων αναμενόμενων σεναρίων πωλήσεων εισιτηρίων. Με την επικύρωση των υποθέσεων έρευνας σε ένα συνθετικό σύνολο μεταβλητών θιασωτών, η Fan Lag Analysis ανοίγει ένα εντελώς νέο εύρος δυνατοτήτων σε στρατηγικές προώθησης ζωντανής μουσικής μέσω προβλέψεων πωλήσεων εισιτηρίων που βασίζονται σε δεδομένα.

Περίληψη :

Live music promotion is a growing but also complex industry. Traditionally, event planning is shaped according to the ongoing ticket sales success. This thesis, studies the application of a machine learning approach that predicts ticket sales for a live music event (concert or festival) across time. The approach is called Fan Lag Analysis and builds upon the assumption that ticket sales of live music events can be predicted if two fan characteristics are modeled: propensity for ticket ordering and the expected time for the same action. In that direction, the methodology combines modeling concepts from binary classification and survival analysis. Finally, simulation tests are applied to generate robust predictions of expected ticket sales scenarios. With the validation of the research assumptions at a synthetic dataset of fan variables, Fan Lag Analysis opens a whole new range of possibilities in live music promotion strategies through data-driven ticket sales predictions.
Η προώθηση της ζωντανής μουσικής είναι μια αναπτυσσόμενη αλλά και σύνθετη βιομηχανία. Παραδοσιακά, ο προγραμματισμός των εκδηλώσεων διαμορφώνεται σύμφωνα με την επιτυχή πορεία των πωλήσεων εισιτηρίων. Αυτή η εργασία, μελετά την εφαρμογή μιας προσέγγισης μηχανικής μάθησης που προβλέπει τις πωλήσεις εισιτηρίων για μια συναυλία ζωντανής μουσικής (συναυλία ή φεστιβάλ) στον χρόνο. Η προσέγγιση ονομάζεται Fan Lag Analysis και βασίζεται στην υπόθεση ότι οι πωλήσεις εισιτηρίων συναυλιών ζωντανής μουσικής μπορούν να προβλεφθούν εάν έχουν διαμορφωθεί δύο χαρακτηριστικά θιασωτών: η τάση για παραγγελία εισιτηρίων και ο αναμενόμενος χρόνος για την ίδια ενέργεια. Σε αυτή την κατεύθυνση, η μεθοδολογία συνδυάζει έννοιες μοντελοποίησης από δυαδική ταξινόμηση και ανάλυση επιβίωσης. Τέλος, εφαρμόζονται δοκιμές προσομοίωσης για τη δημιουργία ισχυρών προβλέψεων αναμενόμενων σεναρίων πωλήσεων εισιτηρίων. Με την επικύρωση των υποθέσεων έρευνας σε ένα συνθετικό σύνολο μεταβλητών θιασωτών, η Fan Lag Analysis ανοίγει ένα εντελώς νέο εύρος δυνατοτήτων σε στρατηγικές προώθησης ζωντανής μουσικής μέσω προβλέψεων πωλήσεων εισιτηρίων που βασίζονται σε δεδομένα.

Λέξη κλειδί :	Διοργάνωση συναυλιών Δυαδική ταξινόμηση Ανάλυση επιβίωσης Πώληση εισιτηρίων Θαυμαστές Πρόβλεψη Μηχανική μάθηση Live music promotion Binary classification Survival analysis Ticket sales Fans Prediction Machine learning

Διαθέσιμο από :	2019-10-11 16:01:29

Ημερομηνία έκδοσης :	10/10/2019

Ημερομηνία κατάθεσης :	2019-10-11 16:01:29

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Kokkinopoulos-Morales_2019.pdf

Τύπος: application/pdf

Είσοδος