Industry strategy: Post-COVID, Twitch Rivals and videogame companies
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| 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 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».