Kann ein Algorithmus vorhersagen, ob ein Startup erfolgreich aussteigen wird? PitchBook ist davon überzeugt.
Die Risikokapital- und Private-Equity-Datenbank hat heute VC Exit Predictor eingeführt, ein Tool, das auf PitchBook-Daten trainiert wurde, um zu versuchen, die Wachstumsaussichten eines Startups herauszufinden. Wenn der Name eines VC-unterstützten Unternehmens angegeben wird, generiert VC Exit Predictor eine Punktzahl für die Wahrscheinlichkeit, dass es erworben wird, an die Börse geht oder nicht aussteigt, weil es sich selbst trägt oder ein Ereignis (z. B. Konkurs) erlebt, das einen verhindert Ausfahrt.
„Der VC Exit Predictor wurde unter Verwendung eines proprietären maschinellen Lernalgorithmus entwickelt, der vom quantitativen Forschungsteam von PitchBook entwickelt wurde und ausschließlich auf Daten trainiert wurde, die auf der PitchBook-Plattform verfügbar sind, einschließlich Transaktionsaktivitäten, aktive Investoren und Unternehmensdetails“, McKinley McGinn, Produktmanager für Marktinformationen bei PitchBook , sagte TechCrunch in einem E-Mail-Interview. „Um die Genauigkeit zu gewährleisten, werden Vorhersagen für Venture-Backed-Unternehmen gemacht, die mindestens zwei Runden von Venture-Finanzierungsgeschäften erhalten haben.“
PitchBook ist sicherlich nicht das erste Unternehmen, das ein algorithmisches Tool entwickelt hat, um Investitionsentscheidungen zu informieren. Seit Jahren fordern Investoren einen KI-gesteuerten Wettbewerbsvorteil; Gartner prognostiziert, dass bis 2025 mehr als 75 % der Venture-Capital- und Early-Stage-Investor-Executive-Reviews von informiert werden KI und Datenanalyse.
VC-Firmen, darunter SignalFire, EQT Ventures und Nauta Capital, nutzen KI-gestützte Plattformen, um potenzielle Top-Firmen zu identifizieren. Im Jahr 2021 verwendete ein Forscherteam öffentliche CrunchBase-Daten, um eine Werkzeug ganz ähnlich wie VC Exit Predictor, der vorhersagen konnte, ob Startups durch einen Börsengang oder eine Übernahme erfolgreich aussteigen, scheitern oder privat bleiben.
Aber funktionieren diese Tools wirklich?
McGinn sagt, dass PitchBook VC Exit Predictor an einer historischen Reihe von Unternehmen mit bekannten Exits getestet hat, darunter Firmen wie Blockchain.com, Revolut und Bitso. Im Durchschnitt über das Set war das Tool zu 74 % genau bei der Vorhersage eines erfolgreichen Ausstiegs, behauptet McGinn.
„Der VC Exit Predictor kann von Risikokapitalgebern genutzt werden, die nach einem datengesteuerten Ansatz für ihre erste Bewertung eines durch Risikokapital finanzierten Unternehmens suchen“, fügte er hinzu. „Wir erwarten jedoch eine lange Reihe von Anwendungsfällen für Branchenakteure, die nach bevorstehenden IPO-Kandidaten suchen, Wettbewerber auf dem Markt beobachten oder eine Bestätigung für eine Investition in ihrer nächsten Runde suchen.“
VC Exit Predictor könnte im Testset von PitchBook gut abschneiden. Die Frage ist jedoch, ob es widerstandsfähig gegenüber Ereignissen des Schwarzen Schwans wie einer Pandemie, globalen Konflikten (wie dem Krieg in der Ukraine) und Naturkatastrophen ist, die nicht vorhersehbar sind. Algorithmen hatten in der Vergangenheit aufgrund ihrer begrenzten Trainingsdaten damit zu kämpfen.
Das neue Tool von PitchBook versucht, anhand historischer Daten vorherzusagen, welche Startups erfolgreich sein werden. Bildnachweis: PitchBook
Ein VentureBeat Stück (geschrieben von Ihnen) beschreibt, wie ein Unternehmen in der Tiefkühlkostbranche beispielsweise Schwierigkeiten hatte, einen Algorithmus zu verwenden, um vorherzusagen, wo sich die Verkäufe während der COVID-19-Pandemie letztendlich niederschlagen würden. In den ersten drei bis vier Monaten der Gesundheitskrise, als in den meisten Regionen Speiserestriktionen galten, stiegen die Verkäufe von Tiefkühlkost erheblich, da die Kunden sich entschieden, zu Hause zu essen. Aber als einige Länder ihre Quarantäneregeln nach und nach lockerten und andere sich für langsamere Wiedereröffnungen entschieden, führte dies zu Trendverschiebungen, die den Algorithmus des Unternehmens weniger zuverlässig machten.
McGinn räumt ein, dass VC Exit Predictor unter ähnlichen Mängeln leidet – zum Beispiel, dass er trotz des branchenweiten Rückgangs einen günstigen Ausblick auf Kryptounternehmen hat. „Es gibt Einschränkungen bei den Vorhersagen auf Marktebene, die der Algorithmus treffen kann“, sagte er. „Da es auf zeitnahe Aktualisierungen in einem sich langsamer bewegenden Marktumfeld angewiesen ist, braucht das Modell Zeit, um sich an steigende oder fallende Segmente anzupassen.“
Es gibt auch das Bias-Problem: Unweigerlich verstärken Algorithmen die Bias in den Daten, mit denen sie trainiert werden.
In einem (n Experiment Im November 2020 hat Harvard Business Review (HBR) einen Anlageempfehlungsalgorithmus entwickelt und seine Leistung mit den Renditen von Angel-Investoren verglichen. Laut HBR wählte der Algorithmus eher weiße Unternehmer als farbige Unternehmer und investierte lieber in Startups mit männlichen Gründern, wahrscheinlich weil Frauen und Gründer aus anderen unterrepräsentierten Gruppen tendenziell unterrepräsentiert sind benachteiligt im Finanzierungsprozess und nehmen letztendlich weniger Risikokapital auf.
Experten gefunden ähnliche Probleme mit dem Mosaic-Tool von CB Insights, das Gründer und Managementteams in der Frühphase bewertet, um Investitions-, Kauf- und M&A-Entscheidungen zu unterstützen. Tech-Gebräu gemeldet dass vier der sechs offengelegten „Signale“, die CB Insights verwendet, um die Erfolgswahrscheinlichkeit einer Person zu ermitteln, Proxys für Rasse, sozioökonomischen Status, Geschlecht und Behinderung sind. Das ist wichtig, wenn man bedenkt, dass nur 8 % der MBA-Absolventen sind schwarz; Anstellungen bei Technologiegiganten in der Frühphase tendieren dazu, Weiße, Asiaten und Männer zu verzerren; Und weniger als 2% der Unternehmenssoftware-Startups in den USA haben eine Gründerin.
McGinn macht die kühne Behauptung, dass VC Exit Predictor „blind gegenüber Rasse, Geschlecht und Bildung von Gründern“ sei, enthüllte aber, dass sogar PitchBook einen geringfügigen Unterschied in seinen verteilten Erfolgsprognosen – 1 % – zwischen männlichen und weiblichen CEOs feststellte.
„Während kein Tool oder keine Person die Unternehmensausstiege mit absoluter Genauigkeit vorhersagen kann, kann die Fähigkeit des VC Exit Predictor, große Datenmengen zu verarbeiten und Muster zu erkennen, Anlegern einen Vorteil verschaffen, wenn es darum geht, fundierte Investitionsentscheidungen zu treffen“, sagte er. „Wir planen, weiter auf diesem Tool aufzubauen, um die Genauigkeit von Vorhersagen zu verbessern und neue Funktionen hinzuzufügen, um noch mehr Einblicke zu liefern.“
Das Fazit ist, dass kein Vorhersagetool perfekt ist, und McGinn bestreitet dies nicht. Wir hoffen nur, dass sich die Anleger bei ihren finanziellen Entscheidungen nicht ausschließlich auf VC Exit Predictor verlassen, insbesondere in Ermangelung einer Prüfung des Algorithmus durch Dritte.