LEGO blickt auf eine lange Tradition in der Spielzeugherstellung zurück, insbesondere in der Entwicklung seiner markentypischen, ineinandergreifenden Kunststoffbausteine. Über die Jahre hat diese Geschichte Generationen von Baubegeisterten hervorgebracht, die mit LEGO aufgewachsen sind und auch im Erwachsenenalter noch neue Sets sammeln. Kein Wunder also, dass LEGO zu einer Art Mainstream-Investition geworden ist, denn eine 2022 in Science Direct veröffentlichte Studie belegt, dass diese Sets eine höhere Rendite als sogar Gold erzielen. Lässt sich vorhersagen, welche Sets sich im Vergleich zu anderen als besonders lohnenswert erweisen?
In unserer Studie berechneten wir die Kapitalrendite (ROI) jedes Sets anhand der ursprünglichen unverbindlichen Preisempfehlung in US-Dollar im Vergleich zum aktuellen Verkaufspreis. Anschließend verglichen wir die ROI der LEGO-Sets mit der ROI von Gold, berechnet aus dem durchschnittlichen jährlichen Eröffnungs- und Schlusskurs von Gold seit 2014. Das Modell ermittelte dann, ob ein LEGO-Set gekauft werden sollte, wenn dessen ROI höher war als der von Gold.
Von fünf getesteten Modellen war XGBoost das beste, da das Modell vorhersagte, dass es 1,8-mal besser abschneiden würde als eine zufällige Auswahl aus den besten 30 % der LEGO-Sets.
Unsere Forschung hat gezeigt, dass viele LEGO-Sets eine höhere Rendite als Gold erzielen; unser Modell kann sogar vorhersagen, welche Sets die höchste Rendite aufweisen. Sammler können mithilfe unseres Modells entscheiden, ob ein Kauf eine lohnende Investition ist, und selbst Einsteiger können sich sicher sein, einen wertvollen Kauf zu tätigen.
Für diese Untersuchung wurde JMP Pro 17 verwendet.
Mein Name ist Peter Vo.
Ich bin Keven Thunderberg.
Heute geht es um die Rendite von LEGO im Vergleich zu Gold. Nach dieser Einleitung betrachten wir die Datenanalyse, die Datenaufbereitung, die Ergebnisse und schließlich das Fazit. Was fällt Ihnen als Erstes ein, wenn Sie ein LEGO-Set sehen? Ich persönlich bin sofort von der tollen Optik jedes einzelnen Sets begeistert. Aber als Zweites achte ich auf den Preis.
Viele neue Sets kosten heutzutage bis zu 100 Dollar oder sogar mehrere Hundert. 2022 berichtete Science Direct, dass einige LEGO-Sets sogar mehr wert seien als Gold. Das warf die Frage auf: Welche Faktoren beeinflussen den Einzelhandelspreis und den Marktpreis eines LEGO-Sets? Sicherlich spielen die generationsübergreifende Präsenz von LEGO, Markenpartnerschaften, die Anzahl der Teile usw. eine Rolle. Doch selbst mit einem teuren Set, das man jahrelang ungenutzt lässt, ist kein Gewinn garantiert. Wie entscheiden wir also, ob wir ein LEGO-Set kaufen sollen oder nicht? Wir versuchen vorherzusagen, wann der beste Zeitpunkt für den Kauf eines LEGO-Sets ist. Genau diese Frage wollen wir heute beantworten.
Konkret möchten wir erstens herausfinden, welche Faktoren – falls überhaupt welche – den UVP eines LEGO-Sets beeinflussen. Zweitens möchten wir ein Modell entwickeln, das die Kapitalrendite eines LEGO-Sets berechnet. Drittens möchten wir die Kapitalrendite eines LEGO-Sets mit der Kapitalrendite von Gold vergleichen, um zu ermitteln, ob sich eine Investition in ein LEGO-Set lohnt. Ich übergebe nun an Keven, der unsere Datenanalyse erläutern wird.
Danke, Peter. Der erste Schritt in einem Machine-Learning-Projekt ist die Analyse der verwendeten Daten. Es ist sehr wichtig zu verstehen, um welche Daten es sich handelt, damit wir sie gegebenenfalls bearbeiten können und um genau zu wissen, was wir modellieren wollen. Wir haben uns entschieden, insbesondere LEGO-Sets der letzten zehn Jahre zu untersuchen. Unser Datensatz ist deutlich umfangreicher und reicht bis in die 1970er-Jahre zurück. Wie Peter im nächsten Abschnitt erläutern wird, war die Datenqualität damals allerdings nicht optimal.
Um die Auswahl auf neuere Sets der letzten 10 Jahre einzugrenzen, haben wir uns auf die Neuerscheinungen konzentriert, die unsere Prognose unterstützen. Die meisten Sets haben eine UVP von unter 50 US-Dollar, wie wir gleich in Abbildung 1 zeigen werden. Weitere Faktoren sind die Anzahl der Teile, die von wenigen Teilen bei Minifiguren bis hin zu Tausenden von Teilen bei riesigen Sets reichen kann. Wir gehen davon aus, dass dies ein wichtiger Indikator für die UVP ist.
Die Anzahl der Minifiguren im Set. Die Minifiguren sind natürlich die kleinen LEGO-Männchen, die niedlichen gelben Kerlchen. Manche Sets enthalten gar keine, andere Dutzende. Unsere Daten stammen von brikset.com, daher stammen auch die Anzahl der Besitzer und die Bewertung des Sets (0-5 Sterne). Die Anzahl der Anleitungen und die Verfügbarkeit des Sets waren vielleicht etwas weniger wichtig, aber wir wollten sie trotzdem erwähnen.
Die Verfügbarkeit ist insbesondere entscheidend: Ist das Set direkt bei LEGO erhältlich, im Einzelhandel überall verfügbar oder nur im LEGOLAND? Einige Sets gab es in dieser Hinsicht. Am interessantesten fanden wir jedoch die Themengruppe des Sets. Handelt es sich um ein Lizenzset? Harry Potter und Star Wars wären Lizenzsets, während die großen LEGO DUPLO Sets zur Themengruppe für Vorschulkinder gehören. Wir wollten diesen Aspekt berücksichtigen, da wir darin eine wichtige Prognose sahen. Vielleicht sind manche Lizenzsets wertvoller als Sets ohne Lizenz. Wir wissen es nicht.
Im Folgenden gehen wir darauf ein, was wir als Nächstes mit den Daten gemacht haben, und kommen dabei wieder auf Peter zurück.
Danke, Keven. Wir begannen mit fast 15.000 Datensätzen, die bis zu den Erstveröffentlichungen der 70er-Jahre zurückreichten. Natürlich nicht perfekt. Damals wurde die Buchhaltung nicht so streng geführt wie heute, weshalb wir einige Datensätze von unserer Analyse ausschließen mussten. Stattdessen konzentrierten wir uns auf die Datensätze, die die unverbindliche Preisempfehlung und den aktuellen Marktpreis enthielten.
Wir verwendeten den Median nach UVP, um fehlende Datenpunkte wie die Minifiguren und die Stückzahl usw. zu interpretieren. Anschließend entfernten wir etwa 20 Ausreißer aufgrund ihrer extrem hohen Preise. Mindestens ein Produkt war mehrere Tausend Dollar wert, wodurch sich die positive Schiefe unserer Verteilung verringerte.
An diesem Punkt sank unsere Zeilenanzahl von 15.000 auf 3.000. Durch die Hinzunahme von Brickset konnten wir sie jedoch wieder auf 8.000 erhöhen. Anschließend fügten wir einen weiteren Datensatz mit den jährlichen Goldpreisen hinzu. Dieser enthielt die täglichen Eröffnungs- und Schlusskurse, sodass wir den Tagesdurchschnitt berechneten und daraus den Jahresdurchschnitt hochrechneten. Danach ermittelten wir zwei neue Variablen: ROI für Gold und ROI für Datensätze. Diese beiden Werte konnten wir mit unserer dritten Spalte „Kaufen“ vergleichen. Die Spalte „Kaufen“ gab uns die Empfehlung, das LEGO-Set zu kaufen, wenn dessen prognostizierter ROI höher war als der von Gold.
Nun übergebe ich das Wort an Keven, der uns die Ergebnisse präsentieren wird.
Okay. Danke nochmal, Peter. Wir haben eine ganze Reihe analytischer Modelle in JMP ausgeführt. Anstatt Sie mit den Details zu langweilen, kommen wir gleich zum besten Modell: XGBoost, ein Gradient-Boosting-basiertes Entscheidungsbaummodell. Wir nutzen es über ein Add-in, das in unseren Referenzen aufgeführt ist.
Bevor wir darauf genauer eingehen, möchte ich noch kurz auf die bereits erwähnte Abbildung 1 eingehen. Das ist die unverbindliche Preisempfehlung. Ich zoome hier mal hinein. Man sieht, dass alles sehr preisgünstig ist. Es gibt kaum Beispiele für hochpreisige LEGO-Sets. Alle Sets in der ersten Spalte kosten zwischen 0 und 50 Dollar.
In unseren Ergebnissen finden Sie die Konfusionsmatrix. Falls Sie mit maschinellem Lernen nicht vertraut sind: Besonders wichtig sind die korrekt negativen und die korrekt positiven Ergebnisse sowie die Genauigkeit und der F1-Score. Bei diesem Modell lag unser Fokus speziell auf dem F1-Score. Der F1-Score ist das harmonische Mittel aus Präzision und Trefferquote. Er eignet sich hervorragend, um die korrekt positiven Ergebnisse aus einer anderen Perspektive zu betrachten.
Wir wollen die „Ja“-Ergebnisse vorhersagen. Wir wollen vorhersagen, ob es mehr wert sein wird als Gold oder ob es eine höhere Rendite als Gold erzielen wird. Mit diesem Messwert haben wir uns weitere Diagramme angesehen. Hier ist unser Lift-Diagramm. Sie sehen, dass die obersten 30 % – das entspricht dem Wert von 0,3 – eine 1,8-mal höhere Trefferquote aufweisen als der Zufall bei der Auswahl der „Ja“-Kategorie. Das ist im Wesentlichen 1,8-mal höher als bei einem reinen Münzwurf mit einer 50:50-Chance.
Die ROC-Kurve (Receiver Operating Characteristic) zeigt hier die Sensitivität im Vergleich zur Spezifität. Man sieht, dass wir eine Fläche von etwa 30 % festlegen können, die etwa 80 % der korrekt positiven Fälle abdeckt. Dies ist unser Kriterium, um zu entscheiden, ob es sich um eine geeignete Methode handelt oder nicht.
Aber lasst es uns ausprobieren. Hier ist ein neues Set, das mir wirklich gefällt: das Barad-dûr-Set aus „Der Herr der Ringe“. Es ist erst im Juni dieses Jahres erschienen. Hier sind alle Daten, die wir in das Modell eingegeben haben. Wir haben unser Modell genommen, es hier in die Formeldatenbank eingefügt und die Daten durchlaufen lassen. Dabei kamen diese beiden Zahlen heraus.
Anders ausgedrückt: Das Modell ist sich zu 54 % sicher, dass dieses Set eine höhere Rendite als Gold erzielen wird. Das bedeutet, es wird nicht zu den von mir erwähnten Top 30 % gehören. Es liegt nicht in diesem Bereich, sondern etwas weiter außen. Daher würde ich, wenn ich in ein Set investieren wollte, wahrscheinlich nicht dieses wählen. Ich würde lieber andere neue Sets mit dem Modell analysieren und sehen, ob sie eine etwas höhere Rendite erzielen.
Zusammenfassend lässt sich sagen, dass wir nicht nur gezeigt haben, dass viele LEGO-Bausteinsets eine höhere Rendite als Gold erzielen, sondern dass wir mit dem XGBoost-Modell auch Vorhersagen treffen können. Mithilfe unseres Modells erhalten Anleger nicht nur wertvolle Hinweise darauf, in welche Modelle sie zukünftig investieren sollten, sondern können, falls ein Set zu den besten 30 % gehört, bestätigen: „Das ist eine solide Investition.“ Wir werden uns bezüglich unserer Referenzen noch einmal an Peter wenden.
Wir möchten uns bei unserem Mentor Kedar Adavadkar für seine Unterstützung und dafür bedanken, dass er unser Projekt im Rahmen gehalten hat. Viele andere hatten sich mit der Anzahl der von uns gewünschten Funktionen zu viel vorgenommen. Unser Dank gilt auch Dr. Magan und Dr. C für ihre wertvollen Ratschläge.
Ich möchte JMP ganz herzlich für die Annahme unseres Posters danken. Wir freuen uns schon sehr darauf, im Oktober nach Cary zu fahren und euch alle kennenzulernen. Nochmals vielen Dank.
Danke schön.
