Wraz ze stałym wzrostem start-upów próbujących zdobyć przyczółek na rynku, inwestorom trudniej jest zdecydować, w kogo zainwestować. Wiadomo, że przy wyborze takiej czy innej firmy, w grę wchodzi wiele czynników, w tym empatia, jaka może istnieć między założycielem a inwestorem. Ale żyjemy w świecie danych, w którym wszystko jest rozliczane i gdzie widzimy, że sztuczna inteligencja pomaga w wielu sektorach w podejmowaniu decyzji. Czy to samo dzieje się ze startupami?
Pierwszym problemem, jaki znaleźliśmy, jest niewielka ilość danych na ich temat. „Czasami nie ma możliwości sformatowania informacji od startupów, posiadania modelu, a to utrudnia zadanie” – zaczyna się od wypowiedzi José Hernándeza Orallo, profesora Politechniki w Walencji, który kierował jedną z katedr BigML. w uczeniu maszynowym.
Wykorzystywane są zmienne predykcyjne, takie jak dziedzina, inwestycja, zespół… a następnie model decyduje, „tak jak to się dzieje w innych środowiskach, ale w tym przypadku są to bardzo zmienne dziedziny, w których innowacyjność jest bardzo ważna”. Pamiętaj, że inwestowanie w start-upy to tak ryzykowne działanie, że w razie potrzeby się powiedzie, a wiarygodność AI „trochę zależy od tego, gdzie jest przewidziana”. Kluczem jest „czy te systemy robią to lepiej niż ludzie, którzy znają kontekst”, który jest pomijany w algorytmach. Ale Hernández Orallo wierzy, że jest on użyteczny „jeśli chodzi o filtrowanie i podejmowanie wspólnych decyzji. Możesz zrobić pierwszy przegląd” i pamiętaj, że „w pełni automatyczna decyzja działa tylko w niektórych dziedzinach”.
Nacho Ormeño, współzałożyciel i dyrektor generalny StartupXplore, stworzył umiejętność przewidywania przyszłości i decydowania o tym, jak inwestować. „Sukces jest determinowany przez tworzenie wartości, a czynnikiem absolutnie wyróżniającym jest umiejętność wykonywania i uczenia się od zespołów, które je tworzą”. Algorytmy mogą tak dobrze wykonywać część filtrowania i analizy ryzyka, aby służyć jako systemy wspomagania decyzji, „dziś nadal nie mogą przewidzieć, jak zachowa się rynek w obliczu nowej propozycji wartości lub czy będzie wystarczająco zmotywowany zespół potrafią zbudować i wykonać plan, czy też dokonają optymalnej poprawy dostępnych im zasobów”.
Ormeño zwraca uwagę na fakt, że inwestor w startupy musi znormalizować porażkę tych firm jako coś nawykowego w ich portfelach, ponieważ „są badania, które wskazują, że 65% inwestycji dokonywanych w niedawno tworzonych spółkach jest nieopłacalnych dla inwestora, rentowność cały list zostanie przeniesiony na pozostałe 35%.
Paloma Castellano, dyrektor Wayra Madrid, przyznaje, że wszystkie fundusze inwestycyjne opierają się na tej decyzji. „Korzystamy z różnych źródeł informacji, zewnętrznych i wewnętrznych, dzięki historii projektów, jaką mamy” – mówi. Wayra zainwestowała w ponad 800 firm na całym świecie po przeanalizowaniu ponad 80.000 XNUMX projektów i „uczymy się podczas wszystkich procesów”. Dlatego przetwarzanie danych jest kluczowe, ale przyznaje, że „nie jest to proces nieomylny. Wszystkie fundusze mają antyportfel, czyli zestaw spółek, którym odmówiliśmy, a potem się udało – wyjaśnia. Castellano uważa, że wciąż jest dużo więcej danych i „znacznie lepsza jakość danych, a ponadto, gdy inwestujesz na wczesnych etapach, inwestujesz przede wszystkim w ludzi”.
pionierska platforma
W 2016 roku Telefónica i BigML stworzyły PreSeries, jedną z pierwszych zautomatyzowanych platform do przewidywania prawdopodobieństwa sukcesu startupu, w tym startupów. Joint venture z Telefónica powstaje w czasie, gdy „bardzo niewiele zrobiono w dziedzinie startupów”, wyjaśnia Francisco Martín, współzałożyciel i dyrektor generalny BigML, firmy, która redukuje dane do klientów, aby pomóc w podejmowaniu decyzji. Ideą będzie posiadanie subskrybentów w pierwszym etapie „aby inwestor miał dostęp do informacji”, a następnie „aby platforma zautomatyzowała cały cykl”. W 2019 roku firma Rackspace włączyła PreSeries „do wewnętrznego rozwoju programu”. Martín wspomina, że stworzył technologię zdolną do kompilacji danych i że „działało stosunkowo dobrze, oprogramowanie podejmowało decyzje, ale było to narzędzie pomocnicze. Wyzwaniem było zdobycie informacji, ponieważ nie są one tak precyzyjne jak w spółce publicznej”.
Arturo Moreno prowadził PreSeries na ostatnim etapie i poszedł w jego ślady z Databell. „To, co dzieje się ze start-upami i prywatnymi firmami, polega na tym, że nie ma wysokiej jakości danych, a przesłanką do korzystania z data science jest to, że mają one wartość projekcyjną”, mówi Moreno. Po przejściu przez PreSeries, gdzie „udało nam się przewidzieć prawdopodobieństwo wejścia na giełdę lub tego, że inna firma kupi od Ciebie”, zrobił krok, aby „inwestorzy i startupy wymienili się informacjami”. Ta bezpłatna platforma dostępu z 200 inwestorami i 500 startupami.
Moreno uważa, że w ten sposób będą jakieś działania, algorytmy pomogą wybrać startupy, w które w jakikolwiek sposób zainwestować, będzie to „całkowicie zautomatyzowany proces przez element osoby, który jest ważny”. Daje jednak zwinność analizom pomagającym w podjęciu decyzji. Przypomina, jak ważne jest posiadanie wartości predykcyjnej na podstawie danych i wykrywanie dużego zainteresowania sektorem: „istnieje ogromny apetyt na inwestowanie w startupy, a im więcej danych, tym lepiej dla wszystkich stron”.
