Med en støt stigning i startups, der forsøger at få fodfæste på markedet, har investorer sværere ved at beslutte sig for, hvem de skal investere i. Det er kendt, at når man vælger et eller andet selskab, er der mange faktorer, der spiller ind, blandt andet den empati, der måtte være mellem stifter og investor. Men vi er i en verden af data, hvor der er redegjort for alt, og hvor vi ser, at kunstig intelligens hjælper i mange sektorer med at træffe beslutninger. Sker det samme med startups?
Det første problem, vi fandt, er, at der er få data om dem. "Nogle gange er der ingen måde at få information fra startups, formateret, for at have en model, og det gør opgaven vanskelig," begynder med at referere til José Hernández Orallo, professor ved det polytekniske universitet i Valencia, som ledede en af BigML-stolene i maskinlæring.
Der bruges forudsigelige variable, såsom domænet, investeringen, holdet... og så bestemmer modellen, "ligesom det gøres i andre omgivelser, men i dette tilfælde er de meget variable felter, hvor innovation er meget vigtig." Husk, at investering i nystartede virksomheder er en så risikabel handling, at det om nødvendigt vil lykkes, og at pålideligheden af AI "afhænger lidt af, hvor den forudsiges". Nøglen er "hvis disse systemer gør det bedre end folk, der kender konteksten", der er udeladt af algoritmerne. Men Hernández Orallo mener, at det er nyttigt, "når det kommer til at filtrere og træffe fælles beslutninger. Du kan lave en første screening” og husk at “en helt automatisk beslutning virker kun på bestemte domæner”.
Nacho Ormeño, medstifter og administrerende direktør for StartupXplore, har skabt muligheden for at forudsige fremtiden og beslutte, hvordan man investerer. "Succes bestemmes af skabelsen af værdi, og en absolut differentierende faktor er evnen til at eksekvere og lære af de teams, der består af dem." Algoritmer kan udføre en del af filtrerings- og risikoanalysearbejdet så godt, at de tjener der som beslutningsstøttesystemer, "i dag kan de stadig ikke forudsige, hvordan markedet vil opføre sig i lyset af et nyt værdiforslag, eller om et tilstrækkeligt motiveret team vil være i stand til at bygge og eksekvere en plan, eller om de vil lave en optimal forbedring af de ressourcer, de har til rådighed”.
Ormeño fremhæver det faktum, at investoren i startups skal normalisere disse virksomheders fiasko som noget sædvanligt i deres porteføljer, eftersom "der er undersøgelser, der peger på, at 65% af investeringerne i nyoprettede virksomheder ikke er rentable for investoren, rentabiliteten af hele brevet vil blive båret af de resterende 35%.
Paloma Castellano, direktør for Wayra Madrid, erkender, at alle investeringsfonde er baseret på denne beslutning. "Vi bruger forskellige informationskilder, eksterne og interne, takket være den historie, vi har om projekter," siger han. Wayra har investeret i mere end 800 virksomheder rundt om i verden efter at have analyseret mere end 80.000 projekter og "vi lærer under alle processer". Derfor er databehandling nøglen, men han erkender, at "det ikke er en ufejlbarlig proces. Alle fonde har en anti-portefølje, et sæt selskaber, som vi sagde nej til, og som senere lykkedes”, præciserer han. Castellano mener, at der stadig er meget større mængder af data og "meget bedre datakvalitet, og desuden, når du investerer i tidlige stadier, investerer du først og fremmest i mennesker".
banebrydende platform
I 2016 skabte Telefónica og BigML PreSeries, en af de første automatiserede platforme til at forudsige sandsynligheden for, at en opstart, inklusive startups, vil få succes. Joint venturet med Telefónica opstår på et tidspunkt, hvor "meget lidt var blevet gjort inden for startups", forklarer Francisco Martín, medstifter og administrerende direktør for BigML, en virksomhed, der reducerer data til lånere for at hjælpe med at træffe beslutninger. Tanken vil være at have abonnenter i første fase "så investor har adgang til information" og derefter "for at platformen kan automatisere hele cyklussen". I 2019 inkluderede Rackspace-virksomheden PreSeries "for at udvikle programmet internt." Martín husker, at han skabte teknologien, der var i stand til at kompilere dataene, og at "det fungerede relativt godt, softwaren tog beslutningerne, men det var et hjælpeværktøj. Udfordringen var at få informationen, fordi den ikke er så præcis som i en offentlig virksomhed”.
Arturo Moreno førte PreSeries i sin sidste fase og er fulgt i hans fodspor med Databell. "Det, der sker med startups og private virksomheder, er, at der ikke er kvalitetsdata, og en præmis for at bruge datavidenskab er, at de er det med projektiv værdi," siger Moreno. Efter at have passeret PreSeries, hvor "det lykkedes os at forudsige sandsynligheden for at blive børsnoteret, eller at en anden virksomhed ville købe fra dig", tog han et skridt, så "investorer og startups udveksler information". Denne gratis adgangsplatform med 200 investorer og 500 startups.
Moreno mener, at der på denne måde vil være nogle aktiviteter, algoritmerne vil hjælpe med at vælge de startups, der skal investeres i på nogen måde, det vil være en "fuldstændig automatiseret proces af et element af personen, der er vigtigt". Men det giver fleksibilitet til analysen, der hjælper med beslutningen. Han minder om vigtigheden af at have forudsigelig værdi fra data og opdage stor interesse for sektoren, "der er en stor appetit på at investere i startups, og jo mere data der er, jo bedre for alle parter."
