AI天使投資,找出下一個成功的新創公司

分享至

隨著行動科技的發展,也使得當今新創企業的發展有了劇烈的變化,新創公司可以更容易地透過行動平臺測試最新的點子。但究竟什麼樣的新創企業能夠成功進入市場,走向成功發展的路呢?這個問題不只是新創公司本身的挑戰,對於投資人而言,也是一個充滿風險的抉擇。

撰文|王冠云

來源:MotionElements
為了讓新創成功,選對行業是否重要?

新創企業通常是指藉由科技來提供新的產品或服務的公司,也正因為如此,他們通常都具有非常硬底子的科技技術,但所開發出來的新產品或服務仍然處於高未知性及高風險的狀態之中。根據Weking等人的研究顯示,最終能打入市場的新創公司,大約是五成到八成之間,而成功上市的,更是少之又少。

由於新創企業的高不確定性,讓許多研究者開始研究是否可能透過統計學的方法或機器學習技術來預測未來的結果,以減少商業的成本損失。Kim等人 (2023) 的研究指出,過去的研究多關注於新創企業的內部條件,沒有考量到整體的產業因素,因此在他們的研究中,特別加入了行業因素,希望透過內、外部條件的全盤考量,預測一間新創公司是否能成功打入市場。

在Kim等人 (2023) 的研究裡,主要是以機器學習的技術來進行預測,所以必須要選擇輸入機器學習模型的特徵量。首先,研究使用了與公司本身相關的特徵量,包含創辦人的能力、團隊和員工特徵、總部位置。接著,也包含了資金相關的特徵量,使用了RFM的概念 (Recency, Frequency, Monetary),也就是消費者最近一次購買的時間、購買頻率以及消費金額;另外,也包含投資者類型、公司的技術及專利;最後,再加上行業相關的特徵量,包含該行業的創新度、持久性、網絡指標等等。

 

在新創公司的平臺上取得資料後,解析機器學習的特徵量 (features)

選定好各個想要分析的特徵之後,Kim等人 (2023) 使用了最大的新創事業平臺:Crunchbase來收集資料。在這個平臺裡,包含投資者、企業以及其他相關利益人,總共有7500萬以上的用戶。而預測一個新創公司是否有成功打入市場的標準,則是該公司是否有成功公開募股(Initial Public Offerings,簡稱IPO),以是否有向大眾出售公司股票作為評斷新創公司成功與否的標準。

研究者使用了六種不同的機器學習模型來進行分析,包含羅吉斯回歸 (logistic regression)、決策樹 (decision tree)、隨機森林 (random forest)、梯度提升 (gradient boosting)、支持向量機 (support vector machine) 以及單純貝氏 (naïve bayes) 來計算,也試圖找出在眾多特徵量中,使用不同的機器學習技術,是否能找出其共通點。

研究結果顯示,在加入了行業相關的特徵量之後,幾乎各個機器學習模型預測的正確率都有提升,表現最好的隨機森林模型的正確率甚至有84%。而該研究也選取了正確率超過七成的四個機器學習模型:決策樹、隨機森林、梯度提升以及支持向量機的結果,來計算各個模型所對應的各特徵重要度。

在各個特徵量當中,員工數量、媒體露出次數、募集資金量、行業網路的集中度、行業網路節點的距離是幾個最重要的特徵量,展現了行業本身對於新創事業是否成功的重要性確實相當大。附帶一提,有關於「行業網路」的部分,研究使用了網路分析 (network analysis),大致分出了軟體、資訊科技、人工智慧、電子商務、金融科技、網際網路、健康照護、教育科技等幾個大節點。關於各個公司的行業相關特徵量,依其所屬的類別所在的行業網路,以網路分析的結果給定數值。

 

如果走在有高度需求且迅速成長的市場裡,成功機率比較高

總結來說,Kim等人指出,發展一個比較全面性的機器學習模型之後,在投資決策方面能給予很大的幫助。在論文的最後也總結到,雖然媒體露出的頻率和公司本身的技術資本相當重要,但行業本身確實會對剛起步的新創公司產生很大的影響。例如,「Apps(應用程式)」常常很有機會成功,那是因為該領域正處在一個快速發展,且有高度需求的市場環境之中。不過,我們在解讀機器學習的結果時也需要注意,實際上機器學習的訓練資料中,成功上市與非上市的新創公司的比例大約是1:35,資料存在著極大的不平衡。而且許多公司內部的重要條件也很難以量化,例如整個新創團隊的熱情、開發產品的動力、新點子的創新度等等,都很難找到一個客觀的量化指標。因此,就研究的角度而言,雖然Kim等人的研究提供了一個機器學習的可能性,但想單純用AI來當天使投資,還是需要審慎評估,才不會投資失敗、血本無歸。

 


參考文獻

  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檔案
  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.
(Visited 54 times, 1 visits today)

分享至
views