Predicting 3D asset popularity using regression analysis
Määttänen, Veera (2024)
2024
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2024060119623
https://urn.fi/URN:NBN:fi:amk-2024060119623
Tiivistelmä
Ohjelmointirajapinnasta kerätyn datan avulla opinnäytetyö pyrkii selvittämään niitä kvantitatiivisia parametrejä, joilla voidaan ennustaa ja selittää tiettyjen 3D-mallien suosiota. Näiden parametrien ja piirteiden tunnistaminen on tärkeää digitaalisen sisällön tuottajille, koska sitä kautta he voivat saada näkyvyyttä ja olla tuottoisia toimialallaan.
Datan kerääminen rajapinnasta tapahtui Pythonia ja Jupyter Notebooksia käyttäen. Jotta datasta voitaisiin löytää kaavoja ja tehdä johtopäätöksiä, Pearsonin korrelaatio sekä askelittainen regressioanalyysi suoritettiin. Kvantitatiivisiksi parametreiksi valikoituivat verteksi, tahko, tekstuuri ja materiaali lukemat. Suosiota mitattiin katselu- sekä latauskertojen määrillä.
Analyysin tulokset osoittivat, etteivät päätetyt parametrit vaikuta ja selitä 3D-mallien suosiota. Kuitenkin, kohtalainen positiivinen korrelaatio havaittiin katselu- ja latauskertojen välillä. Tämä tarkoittaa, että 3D-mallilla, jolla on suuri määrä katselukertoja, on todennäköisesti myös suurempi määrä latauskertoja. Suosiota ennustavaa regressiota ei löydetty valituilla parametreillä, joten voidaan olettaa, että myös kvalitatiivisia parametrejä tarvitaan, jotta suosiota pystytään arvioimaan ja ennustamaan. The thesis aims to identify the quantitative parameters that predict the popularity of 3D assets, utilizing data collected from the Sketchfab API. Understanding what makes these assets popular is important for creators aiming to achieve profitability and recognition.
The data was collected using Python and Jupyter Notebooks. Pearson correlation and stepwise regression were performed to uncover patterns in the data. The key quantitative parameters were chosen to be vertex count, face count, texture count and material count. Popularity was measured by using download and view counts.
The results of the analysis indicated that texture, material, vertex, and face counts do not have a significant influence on the popularity of 3D assets. However, a moderate positive correlation between view and download count was observed. This suggests that assets with higher view counts tend to have higher download counts as well. Predictive patterns were not identified within the parameters analysed in this study. This suggests that qualitative factors may significantly influence the asset popularity.
Datan kerääminen rajapinnasta tapahtui Pythonia ja Jupyter Notebooksia käyttäen. Jotta datasta voitaisiin löytää kaavoja ja tehdä johtopäätöksiä, Pearsonin korrelaatio sekä askelittainen regressioanalyysi suoritettiin. Kvantitatiivisiksi parametreiksi valikoituivat verteksi, tahko, tekstuuri ja materiaali lukemat. Suosiota mitattiin katselu- sekä latauskertojen määrillä.
Analyysin tulokset osoittivat, etteivät päätetyt parametrit vaikuta ja selitä 3D-mallien suosiota. Kuitenkin, kohtalainen positiivinen korrelaatio havaittiin katselu- ja latauskertojen välillä. Tämä tarkoittaa, että 3D-mallilla, jolla on suuri määrä katselukertoja, on todennäköisesti myös suurempi määrä latauskertoja. Suosiota ennustavaa regressiota ei löydetty valituilla parametreillä, joten voidaan olettaa, että myös kvalitatiivisia parametrejä tarvitaan, jotta suosiota pystytään arvioimaan ja ennustamaan.
The data was collected using Python and Jupyter Notebooks. Pearson correlation and stepwise regression were performed to uncover patterns in the data. The key quantitative parameters were chosen to be vertex count, face count, texture count and material count. Popularity was measured by using download and view counts.
The results of the analysis indicated that texture, material, vertex, and face counts do not have a significant influence on the popularity of 3D assets. However, a moderate positive correlation between view and download count was observed. This suggests that assets with higher view counts tend to have higher download counts as well. Predictive patterns were not identified within the parameters analysed in this study. This suggests that qualitative factors may significantly influence the asset popularity.