За последнее десятилетие или около того создание компаний и инвестирование в них стали в большей степени опираться на данные. Основатели обычно начинают с качественных данных, которые они собирают в ходе общения с клиентами и другими заинтересованными сторонами. Эти точки данных имеют решающее значение для того, чтобы иметь возможность конкретно решать проблемы, которые они преследуют, и, вероятно, являются входными данными, которые будут информировать их стратегию исходных данных.

Как только у стартапа появляются первые клиенты, использующие продукт или услугу, их использование и отзывы, вероятно, приведут разработку продукта в неожиданном направлении. Отслеживая использование и проверяя отзывы, стартапы могут гарантировать, что разработка продукта действительно принесет пользу для того, чтобы в конечном итоге продукт соответствовал рынку. Чтобы иметь возможность выполнять этот итеративный процесс, основатели должны убедиться, что они создают культуру и процессы, поддерживающие такой подход.

«Все модели ошибочны, но некоторые из них полезны» — Джордж Э.П. Коробка

С другой стороны, до появления более сложного анализа данных большинство инвесторов и финансовых аналитиков просто полагались на интуицию и/или теорию. Традиционные инвестиционные модели прошли долгий путь развития и «созревания» финансовых рынков, и их создатели по праву заслужили академические награды. Но, по правде говоря, вероятно, все модели имеют по крайней мере один идентифицируемый недостаток, и его неизменно можно найти в предположениях, которые они делают. Это просто потому, что предположения модели не обязательно верны в реальном мире. Тем не менее, финансовые модели действительно полезны в качестве источника информации и указаний и очень помогли построить сегодняшнюю экономику. Однако сегодня у нас есть возможности для более детального моделирования, адаптированного к реальному миру и гораздо более проницательного, чем, вероятно, любой предыдущий подход.

Венчурные инвесторы тратят 22 часа на 1-й этап комплексной проверки каждой компании — Гарвардская школа бизнеса

В этом контексте VentureFlow создает набор автоматизированных функций комплексной проверки, которые ускоряют и поддерживают инвесторов на ранних стадиях, особенно на посевной стадии до серии B и позже, в их процессе принятия решений, чтобы сэкономить время и деньги и существенно повысить качество портфельных компаний (см. рис. 1). VentureFlow стремится к дальнейшим ценным исследовательским проектам в сотрудничестве с Университетом Санкт-Галлена. Другие исследования проводятся в сотрудничестве с Люцернским университетом и Fachhochschule Nordwestschweiz.

На этом этапе решения VentureFlow состоят из оценки инвестиционного риска (прогноз выживания), оценки инвестиционной привлекательности (прогноз оценки), анализа цифрового следа, оценки разнообразия команды, анализа конкуренции (отрасль, размер/доля рынка, технология, географический регион, стадия финансирования, спонсоры и темпы роста), аналитика, курируемая толпой, юридический анализ и анализ организации бизнеса.

Для оценки инвестиционного риска и привлекательности команда приняла ряд контролируемых методов машинного обучения, таких как метод опорных векторов (SVM), дерево решений, случайный лес и методы голосования, а также различные программные и платформенные инструменты для предварительной обработки. и машинное обучение, такое как Scikit-learn, Python, TensorFlow, Pandas и Numpy, которые анализируют данные основателя и компании.

Обработка естественного языка (NLP) используется для выявления корреляций между людьми и стартапами. VentureFlow предоставит доступную таксономию, если подходящая не может быть найдена, и создаст специализированную лингвистическую таксономию для оценки инвестиционного риска и оценки инвестиционной привлекательности. Другими областями исследования цифрового следа являются методы глубокого обучения, такие как сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), автоэнкодеры, обратное распространение и настройка гиперпараметров.

В дополнение к этим анализам VentureFlow использует мудрость толпы и правовую проверку краудсорсинга от внешних экспертов, которые добавляются к партнерам компании, которые предоставляют такие услуги, как подробные отчеты о должной осмотрительности, подготовленные профессиональными аналитиками.

Для обучения и тестирования алгоритмов VentureFlow использует такие инструменты, как Coggle для построения графиков данных и Alteryx для анализа данных, а также Crunchbase в качестве начального набора данных. Другие партнеры, такие как Pitchbook, Smith and Crown и Weiss Rating Agency, ведут переговоры. Набора данных Crunchbase было достаточно для построения прототипа алгоритма на основе набора данных из 700 000 образцов, каждый образец представляет одну стартап-компанию и включает несколько точек данных, включая финансовые показатели, статус работы, управляющую команду, региональную корреляцию и технологии, а также адаптацию к рынку. Уже созданные алгоритмы можно настроить под индивидуальные потребности клиентов. Некоторые рассматриваемые методы настройки включают разработку функций, трансферное обучение и настройку параметров.

Созданные инструменты и те, которые еще находятся в разработке, будут интегрированы в инвестиционную платформу, где можно будет создавать и контролировать поток сделок. Чтобы сделать взаимодействие между инвесторами и учредителями более простым и организованным, VentureFlow также предлагает виртуальную комнату данных, которая позволяет индексировать документы, предоставлять общий доступ к документам, экспортировать их и задавать вопросы и ответы в файле.

Если вы хотите узнать больше о VentureFlow, свяжитесь с XJ, основателем VentureFlow: [email protected].