Industry strategy: Post-COVID, Twitch Rivals and videogame companies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Twitch in recent years due to COVID-19 has become a very relevant streaming platform. Among the contents that are streamed on the platform are the events known as Twitch Rivals, which are organized by Twitch itself. These events bring together several of the platform’s biggest streamers to compete in certain video games. The objective of this paper is to analyze the impact of these events on the stock returns of video game companies through the event study methodology and determine possible strategies that lead to positive returns using fuzzy-set qualitative comparative analysis (fsQCA). Design/methodology/approach Event study methodology was applied from 2019 to 2022 with the aim of knowing if the effect is the same or different, since a drop in Twitch statistics has recently been detected, either due to the “return to normality” from COVID-19 and/or to the appearance of new platforms like Kick (Patterson, 2023; Campbell, 2022). Also, the paper analyzes the best strategies that videogame companies could follow on Twitch Rivals to obtain positive returns. For that, fsQCA method was applied. Findings The results obtained suggest that there is indeed an influence of events on stock returns and that this influence is different depending on the year. Moreover, four possible successful strategies were found. Originality/value This paper shows the relationship between Twitch Rivals and the returns of video game companies, showing the relevance that streaming has for them. The paper proposes possible strategies to be considered by video game companies that organize Twitch Rivals to obtain positive returns.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle