A PitchBook AI-alapú eszköze megjósolhatja a sikeres startupokat?

A PitchBook, a kockázati és magántőke adatbázis elindította a VC Exit Predictor nevű eszközt, amely a PitchBook adatain képzett gépi tanulási algoritmusok segítségével igyekszik megjósolni a startupok sikerét. A VC Exit Predictor egy olyan pontszámot generál, amely megjósolja egy vállalat felvásárlásának, tőzsdére lépésének vagy kilépésének valószínűségét. Az eszközt kizárólag a PitchBook adatain képzik ki, beleértve az aktív befektetőket, az üzletkötési aktivitást és a vállalat adatait. A jóslatok pontosságát az biztosítja, hogy azokat olyan kockázati hátterű vállalatokra készíti, amelyek legalább két finanszírozási körös üzletet kötöttek.

Sok befektető már évek óta kiált az AI-alapú versenyelőnyökért, és a PitchBook nem az első, amely algoritmikus eszközt fejlesztett ki a befektetési döntések megalapozására. Többek között olyan kockázatitőke-cégek, mint a SignalFire, az EQT Ventures és a Nauta Capital is használnak AI-alapú platformokat a potenciális csúcscégek megjelölésére. Egy kutatócsoport a VC Exit Predictorhoz hasonló eszközt is épített a CrunchBase nyilvános adatainak felhasználásával, amely megjósolja, hogy a startupok tőzsdére mennek vagy felvásárlás útján fognak-e kilépni, magánkézben maradnak-e, vagy elbuknak.

McKinley McGinn, a PitchBook piaci intelligenciáért felelős termékmenedzsere szerint a VC Exit Predictor-t ismert kilépésekkel rendelkező vállalatok - mint például a Blockchain.com, a Revolut és a Bitso - múltbeli készletén tesztelték, és átlagosan 74%-os pontossággal jósolta meg a sikeres kilépéseket. A VC Exit Predictor hasznos a kockázati tőkefedezetű vállalatok kezdeti értékeléséhez, és potenciálisan felhasználható az iparági szereplők számára, akik tőzsdére érett startup-jelölteket keresnek, figyelemmel kísérik a piaci versenytársakat, vagy megerősítést keresnek a következő befektetési körükhöz.

Nem világos azonban, hogy a VC Exit Predictor ellenálló lesz-e az olyan fekete hattyúkkal kapcsolatos eseményekkel szemben, mint a világjárványok, globális konfliktusok vagy előre nem látható természeti katasztrófák. Az algoritmusok történelmileg nehezen birkóztak meg az ilyen típusú eseményekkel a korlátozott képzési adatok miatt. Ezen túlmenően az eszközben előfordulhatnak torzítási problémák, mivel az algoritmusok felerősítik a torzításokat azokban az adatokban, amelyeken betanították őket. Egy kísérlete például azt találta, hogy egy befektetés-ajánló algoritmus hajlamos volt a fehér vállalkozókat és a férfi alapítókkal rendelkező startupokat előnyben részesíteni, valószínűleg azért, mert a nők és a színes bőrű vállalkozók hátrányos helyzetben vannak a finanszírozási folyamat során.

A VC Exit Predictor korlátokba ütközik a piaci szintű előrejelzések tekintetében is, amelyeket az algoritmus képes megadni. Időbe telik, amíg a modell alkalmazkodik az emelkedő vagy hanyatló piaci szegmensekhez, mivel a lassabban mozgó piaci térben időszerű frissítésekre támaszkodik. Az iparági szintű előrejelzésekben is vannak potenciális korlátok, például a kriptovállalatokra vonatkozó kedvező kilátások fenntartása az iparági szintű visszaesés ellenére. McKinley McGinn elismeri, hogy a PitchBook a férfi és női vezérigazgatók között 1%-os enyhe különbséget talált a sikerre vonatkozó előrejelzéseiben.