Как нейросеть прогнозирует успешность стартапа

При разработке VC Exit Predictor использовался собственный алгоритм машинного обучения, разработанный командой исследователей и обученный на данных, доступных платформе PitchBook, включая данные о компаниях и активности проводимых ими сделок. Для обеспечения точности прогнозы делаются для венчурных компаний, получивших не менее двух раундов финансирования.

По словам менеджера по продукту PitchBook Маккинли Макгинна, компания протестировала VC Exit Predictor на наборе компаний с известными выходами, среди которых были такие фирмы, как Blockchain.com, Revolut и Bitso. В хоте эксперимента инструмент предсказал успешный выход с точностью до 74%.

«Инструмент VC Exit Predictor может быть использован венчурными инвесторами, которые ищут подход для первоначальной оценки компании, поддерживаемой венчурным фондом, — комментирует Маккинли. — Кроме того, VC Exit Predictor подойдет для игроков отрасли, которые смотрят на кандидатов на IPO, следят за конкурентами на рынке или ищут подтверждение для инвестиций в следующий раунд».

Основная проблема нейросетей, делающих прогнозы, — это зависимость от своевременных обновлений на медленно движущемся рынке. То есть модели требуется время, чтобы приспособиться к растущим или падающим сегментам рынка. Например, одна из компаний, занимающаяся производством замороженных продуктов, пыталась с помощью алгоритма предсказать, на каком уровне окажутся продажи во время пандемии COVID-19. В первые три-четыре месяца кризиса, когда в большинстве регионов действовали ограничения на общественное питание, продажи замороженных продуктов значительно возросли, поскольку покупатели предпочитали питаться дома. Но когда в дальнейшем одни страны быстро ослабили карантинные правила, а другие предпочли медленное возобновление работы, это привело к изменению тенденций, что сделало предсказания алгоритма менее надежными.

Нейросети, как правило, не могут предсказывать перспективы стартапов с учетом «черных лебедей» — трудно прогнозируемых событий (пандемия, глобальные конфликты и стихийные бедствия). Исторически сложилось так, что алгоритмы не справляются с ними из-за ограниченности обучающих данных. VC Exit Predictor также страдает от аналогичных недостатков — например, сохраняет благоприятный прогноз в отношении криптовалютных компаний, несмотря на общеотраслевой спад.

Существует и другая проблема: алгоритмы неизбежно усиливают предвзятость данных, на которых они обучаются. В ходе эксперимента, проведенного в ноябре 2020 года, специалисты Harvard Business Review (HBR) создали алгоритм рекомендаций по инвестированию и сравнили его эффективность с доходностью инвесторов-ангелов. По данным HBR, алгоритм, как правило, выбирал белых предпринимателей, а не цветных, и предпочитал инвестировать в стартапы с учредителями-мужчинами.

Создатели VC Exit Predictor уверяют, что их инструмент «не зависит от расы, пола и образования основателей», но при этом уточняют, что обнаружили небольшую разницу в прогнозах успеха в один процент между CEO-мужчинами и CEO-женщинами. Поэтому с уверенностью можно сказать только одно: ни один инструмент прогнозирования не является совершенным. Однако способность VC Exit Predictor обрабатывать большие объемы данных и выявлять закономерности может дать инвесторам преимущество в принятии обоснованных инвестиционных решений. Тем более что в PitchBook планируют и дальше развивать этот инструмент, повышая точность прогнозов и добавляя новые функции для получения еще большего объема информации.

По материалам портала TechCrunch

Подписывайтесь на еженедельную рассылку о полезных для бизнеса мероприятиях и новых публикаций Get-Investor.ru.

Присоединяйтесь к нам в Telegram, Вконтакте, Дзен.