Een onderzoek waarin machine learning-modellen werden getraind om meer dan 1 miljoen bedrijven te beoordelen, heeft aangetoond dat kunstmatige intelligentie (AI) nauwkeurig kan bepalen of een startup-bedrijf zal mislukken of succesvol zal worden. Het resultaat is een hulpmiddel, Venhound, dat het potentieel heeft om investeerders te helpen de volgende eenhoorn te identificeren.

Het is algemeen bekend dat ongeveer 90% van de startups niet succesvol is:tussen 10% en 22% faalt in het eerste jaar, en dit vormt een aanzienlijk risico voor durfkapitalisten en andere investeerders in beginnende bedrijven. In een poging om vast te stellen welke bedrijven meer kans van slagen hebben, onderzoekers hebben machinale leermodellen ontwikkeld die zijn getraind op de historische prestaties van meer dan 1 miljoen bedrijven. hun resultaten, gepubliceerd in KeAi's The Journal of Finance and Data Science , laten zien dat deze modellen de uitkomst van een bedrijf tot 90% nauwkeurig kunnen voorspellen. Dit betekent dat potentieel 9 van de 10 bedrijven correct worden beoordeeld.

"Dit onderzoek laat zien hoe ensembles van niet-lineaire modellen voor machinaal leren toegepast op big data een enorm potentieel hebben om grote functiesets toe te wijzen aan bedrijfsresultaten, iets dat onhaalbaar is met traditionele lineaire regressiemodellen, " legt co-auteur Sanjiv Das uit, Professor in Finance en Data Science aan de Leavey School of Business van Santa Clara University in de VS.

De auteurs ontwikkelden een nieuw ensemble van modellen waarin de gecombineerde bijdrage van de modellen opweegt tegen het voorspellende potentieel van elk afzonderlijk. Elk model classificeert een bedrijf, door het in een van meerdere succescategorieën of een mislukkingscategorie met een specifieke waarschijnlijkheid te plaatsen. Bijvoorbeeld, een bedrijf kan zeer waarschijnlijk slagen als het ensemble zegt dat het 75% kans heeft om deel te nemen aan de IPO (beursgenoteerd) of 'overgenomen door een ander bedrijf', terwijl slechts 25% van zijn voorspelling in de mislukte categorie zou vallen.

De onderzoekers trainden de modellen op data afkomstig van Crunchbase, een crowd-sourced platform met gedetailleerde informatie over veel bedrijven. Ze trouwden met de Crunchbase-waarnemingen met patentgegevens van de USPTO (United States Patent and Trademark Office). Gezien het crowd-sourced karakter van Crunchbase, het was geen verrassing om te horen dat in de inzendingen van sommige bedrijven informatie ontbreekt. Deze observatie inspireerde de auteurs om de hoeveelheid ontbrekende informatie voor elk bedrijf te meten en deze waarde te gebruiken als input voor het model. Deze observatie bleek een van de meest kritische kenmerken te zijn bij het bepalen of een bedrijf zou worden overgenomen of anderszins zou falen.

Hoofdauteur Greg Ross van Venhound Inc. merkt op dat het ensemble van modellen, samen met nieuwe gegevensfuncties, "genereert een niveau van nauwkeurigheid, precisie en herinnering die andere vergelijkbare onderzoeken overtreft. Beleggers kunnen dit gebruiken om prospects snel te evalueren, potentiële rode vlaggen verhogen en beter geïnformeerde beslissingen nemen over de samenstelling van hun portefeuilles."