Marketing Strategies in Equity Crowdfunding: A Comparative Study of Italian Platforms
Notice bibliographique
Résumé
This paper explores equity crowdfunding platforms from a marketing perspective. The present exploratory study attempts to make a double contribution to the current literature on equity crowdfunding. Firstly, it analyzes the marketing strategies of the platforms by focusing on the well-known 4Ps marketing mix framework, i.e. product, price, promotion and placement. Each dimension presents three types of categories. Second, the study investigates the marketing strategies of both large platforms and small platforms, then the differences between these two types of platforms are examined in terms of campaigns’ outcomes, i.e. funding collected (in %), funding amount (in €) and number of investors. Platforms adopt a standardization strategy for pricing and placement, while a differentiation strategy is mainly adopted for promotion and products. Large platforms offer a wider range of services (in particular ongoing campaign services and post-campaign services) and promotional activities (in particular leverage many communication channels). The analyses disclose significant statistically differences between these two types of platforms. Projects posted on large platforms are more likely to get higher campaigns’ outcomes. In literature, little is known about marketing strategies in equity crowdfunding platforms, thus this study tries to fill this gap. The paper is the first to analyze the 4Ps of platforms and to conduct a comparative empirical study to determine the differences of campaigns’ outcomes between large and small platforms. The Italian context represents a significant case of developed country in theme of equity crowdfunding. The results are useful for platform managers, entrepreneurs, investors and authorities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».