None

AI天使投资,找出下一个成功的新创公司

随着行动科技的发展,也使得当今新创企业的发展有了剧烈的变化,新创公司可以更容易地透过行动平台测试最新的点子。但究竟什麽样的新创企业能够成功进入市场,走向成功发展的路呢?这个问题不只是新创公司本身的挑战,对於投资人而言,也是一个充满风险的抉择。

撰文|王冠云

来源:MotionElements
为了让新创成功,选对行业是否重要?

新创企业通常是指藉由科技来提供新的产品或服务的公司,也正因为如此,他们通常都具有非常硬底子的科技技术,但所开发出来的新产品或服务仍然处於高未知性及高风险的状态之中。根据Weking等人的研究显示,最终能打入市场的新创公司,大约是五成到八成之间,而成功上市的,更是少之又少。

由於新创企业的高不确定性,让许多研究者开始研究是否可能透过统计学的方法或机器学习技术来预测未来的结果,以减少商业的成本损失。Kim等人 (2023) 的研究指出,过去的研究多关注於新创企业的内部条件,没有考量到整体的产业因素,因此在他们的研究中,特别加入了行业因素,希望透过内、外部条件的全盘考量,预测一间新创公司是否能成功打入市场。

在Kim等人 (2023) 的研究里,主要是以机器学习的技术来进行预测,所以必须要选择输入机器学习模型的特徵量。首先,研究使用了与公司本身相关的特徵量,包含创办人的能力、团队和员工特徵、总部位置。接着,也包含了资金相关的特徵量,使用了RFM的概念 (Recency, Frequency, Monetary),也就是消费者最近一次购买的时间、购买频率以及消费金额;另外,也包含投资者类型、公司的技术及专利;最後,再加上行业相关的特徵量,包含该行业的创新度、持久性、网络指标等等。

在新创公司的平台上取得资料後,解析机器学习的特徵量 (features)

选定好各个想要分析的特徵之後,Kim等人 (2023) 使用了最大的新创事业平台:Crunchbase来收集资料。在这个平台里,包含投资者、企业以及其他相关利益人,总共有7500万以上的用户。而预测一个新创公司是否有成功打入市场的标准,则是该公司是否有成功公开募股(Initial Public Offerings,简称IPO),以是否有向大众出售公司股票作为评断新创公司成功与否的标准。

研究者使用了六种不同的机器学习模型来进行分析,包含罗吉斯回归 (logistic regression)、决策树 (decision tree)、随机森林 (random forest)、梯度提升 (gradient boosting)、支持向量机 (support vector machine) 以及单纯贝氏 (naïve bayes) 来计算,也试图找出在众多特徵量中,使用不同的机器学习技术,是否能找出其共通点。

研究结果显示,在加入了行业相关的特徵量之後,几乎各个机器学习模型预测的正确率都有提升,表现最好的随机森林模型的正确率甚至有84%。而该研究也选取了正确率超过七成的四个机器学习模型:决策树、随机森林、梯度提升以及支持向量机的结果,来计算各个模型所对应的各特徵重要度。

在各个特徵量当中,员工数量、媒体露出次数、募集资金量、行业网路的集中度、行业网路节点的距离是几个最重要的特徵量,展现了行业本身对於新创事业是否成功的重要性确实相当大。附带一提,有关於「行业网路」的部分,研究使用了网路分析 (network analysis),大致分出了软体、资讯科技、人工智慧、电子商务、金融科技、网际网路、健康照护、教育科技等几个大节点。关於各个公司的行业相关特徵量,依其所属的类别所在的行业网路,以网路分析的结果给定数值。

如果走在有高度需求且迅速成长的市场里,成功机率比较高

总结来说,Kim等人指出,发展一个比较全面性的机器学习模型之後,在投资决策方面能给予很大的帮助。在论文的最後也总结到,虽然媒体露出的频率和公司本身的技术资本相当重要,但行业本身确实会对刚起步的新创公司产生很大的影响。例如,「Apps(应用程式)」常常很有机会成功,那是因为该领域正处在一个快速发展,且有高度需求的市场环境之中。不过,我们在解读机器学习的结果时也需要注意,实际上机器学习的训练资料中,成功上市与非上市的新创公司的比例大约是1:35,资料存在着极大的不平衡。而且许多公司内部的重要条件也很难以量化,例如整个新创团队的热情、开发产品的动力、新点子的创新度等等,都很难找到一个客观的量化指标。因此,就研究的角度而言,虽然Kim等人的研究提供了一个机器学习的可能性,但想单纯用AI来当天使投资,还是需要审慎评估,才不会投资失败、血本无归。


参考文献

  1. Weking, J., Böttcher, T. P., Hermes, S., & Hein, A., 2019, June, “Does Business Model Matter for Startup Success?”, A Quantitative Analysis, In ECIS.
  2. Chrunchbase Linkedin档案
  3. Kim, J., Kim, H., & Geum, Y., 2023, “How to succeed in the market? Predicting startup success using a machine learning approach.”, Technological Forecasting and Social Change, 193, 122614.
surfshark安全吗

0 0 投票数
Article Rating
订阅评论
提醒
guest
0 Comments
最旧
最新 最多投票
内联反馈
查看所有评论
0
希望看到您的想法,请您发表评论x