Modelos de machine learning para predição do sucesso de startups

Fabiano Rodrigues, Francisco Aparecido Rodrigues, Thelma Valéria Rocha Rodrigues

Resumo


Este estudo analisa resultados obtidos com modelos de machine learning para predição do sucesso de startups. Como proxy de sucesso considera-se a perspectiva do investidor, na qual a aquisição da startup ou realização de IPO (Initial Public Offering) são formas de recuperação do investimento. A revisão da literatura aborda startups e veículos de financiamento, estudos anteriores sobre predição do sucesso de startups via modelos de machine learning, e trade-offs entre técnicas de machine learning. Na parte empírica, foi realizada uma pesquisa quantitativa baseada em dados secundários oriundos da plataforma americana Crunchbase, com startups de 171 países. O design de pesquisa estabeleceu como filtro startups fundadas entre junho/2010 e junho/2015, e uma janela de predição entre junho/2015 e junho/2020 para prever o sucesso das startups. A amostra utilizada, após etapa de pré-processamento dos dados, foi de 18.571 startups. Foram utilizados seis modelos de classificação binária para a predição: Regressão Logística, Decision Tree, Random Forest, Extreme Gradiente Boosting, Support Vector Machine e Rede Neural. Ao final, os modelos Random Forest e Extreme Gradient Boosting apresentaram os melhores desempenhos na tarefa de classificação. Este artigo, envolvendo machine learning e startups, contribui para áreas de pesquisa híbridas ao mesclar os campos da Administração e Ciência de Dados. Além disso, contribui para investidores com uma ferramenta de mapeamento inicial de startups na busca de targets com maior probabilidade de sucesso.

 

 

 


Palavras-chave


Predição do sucesso de startups; Machine learning; Investimento em startups; Plataforma crunchbase.

Texto completo:

PDF

Referências


Arroyo, J., Corea, F., Jimenez-Diaz, G., & Recio-Garcia, J. A. (2019). Assessment of machine learning performance for decision support in venture capital investments. IEEE Access, 7, 124233–124243. https://doi.org/10.1109/ACCESS.2019.2938659

Basole, R. C., Park, H., & Chao, R. O. (2019). Visual Analysis of Venture Similarity in Entrepreneurial Ecosystems. IEEE Transactions on Engineering Management, 66(4), 568–582. https://doi.org/10.1109/TEM.2018.2855435

Bento, F. R. S. R. (2017). Predicting Start-up Success with Machine Learning. Master Program in Information Management. Instituto Superior de Estatística e Gestão da Informação. Universidade Nova de Lisboa. Recuperado de: https://run.unl.pt/bitstream/10362/33785/1/TGI0132.pdf. Acesso em 14/mai/2020.

Blank, S. (2013). The Four Steps to the Epiphany: successful strategies for products that win. Pescadero: K&S Ranch Press.

CB Insights. (2020). The Complete List of Unicorn Companies. Recuperado de: https://www.cbinsights.com/research-unicorn-companies. Acesso em 10/dez/2020.

Cremades, A. (2016). The Art of Startup Fundraising: pitching investors, negotiating the deal, and everything else entrepreneurs need to know. Hoboken: John Wiley & Sons.

Crunchbase. Crunchbase Platform. Disponível em: https://www.Crunchbase.com/. Acesso em: 12 mar. 2020.

Dalle, J.-M., Den Besten, M. & Menon, C. (2017). Using Crunchbase for economic and managerial research. OECD Science, Technology and Industry Working Papers. Recuperado de: https://pdfs.semanticscholar.org/aa83/4b1ddd1d6c96bde1c6e526be6bb2a99ad011.pdf. Acesso em 07/jun/2020.

Ertel, W. (2017). Introduction to Artificial Intelligence. 2nd ed. London: Springer.

Facelli, K., Lorena, A. C., Gama, J., & de Carvalho, A. C, P. L. F. (2019). Inteligência Artificial: uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC.

Gastaud, C., Carniel, T., & Dalle, J.-M. (2019). The varying importance of extrinsic factors in the success of startup fundraising: competition at early-stage and networks at growth-stage. arXiv preprint arXiv:1906.03210. Recuperado de: https://arxiv.org/abs/1906.03210. Acesso em 03/jun/2020.

Gereto, M. A. S. (2019). Caracterização dos ciclos de investimentos de venture capital em startups brasileiras em termos de rodadas de investimento e estratégias de desinvestimento a partir de dados da Crunchbase. Dissertação de mestrado em administração. FGV - Faculdade Getúlio Vargas, 2019. Recuperado de; http://bibliotecadigital.fgv.br/dspace;/handle/10438/27468. Acesso em 01/jun/2020.

Hsieh, K.-H., & Li, E. Y. (2017). Progress of Fintech industry from venture capital point of view. In: Proceedings of The 17th International Conference on Electronic Business. ICEB, Dubai, p. 297-301. Recuperado de: http://iceb.johogo.com/proceedings/2017/ICEB_2017_paper_36-WIP.pdf. Acesso em 3/jun/2020.

Kemeny, T., Nathan, M., & Almeer, B. (2017). Using Crunchbase to explore innovative ecosystems in the US and UK. Birmingham Business School Discussion Paper Series. Recuperado de: http://epapers.bham.ac.uk/3051/1/bbs-dp-2017-01-nathan.pdf. Acesso em 01/abr/2020.

Kosterich, A., & Weber, M. S. (2018). Starting up the News: The Impact of Venture Capital on the Digital News Media Ecosystem. International Journal on Media Management, 20(4), 239–262. https://doi.org/10.1080/14241277.2018.1563547

Kubat, M. (2017). An Introduction to Machine Learning. 2nd ed. Suiça: Springler.

Liang, E., & Daphne Yuan, S.-T. (2013). Investors Are Social Animals: Predicting Investor Behavior using Social Network Features via Supervised Learning Approach. In: Proceedings of the Workshop on Mining and Learning with Graphs (MLG-2013), Chicago. Recuperado de: http://chbrown.github.io/kdd-2013-usb/workshops/MLG/doc/liang-mlg13.pdf. Acesso em 03/jun/2020.

Losada, B. (2020). Finanças para Startups: o essencial para empreender, liderar e investir em startups. São Paulo: Editora Saint Paul.

National. Small Business Failure Rate. Recuperado de: https://www.national.biz/2019-small-business-failure-rate-startup-statistics-industry/. Acesso em 06/abr/2020.

Nylund, P. A., & Cohen, B. (2017). Collision density: driving growth in urban entrepreneurial ecosystems. International Entrepreneurship and Management Journal, 13(3), 757–776. https://doi.org/10.1007/s11365-016-0424-5

Pan, C., Gao, Y., & Luo, Y. (2018). Machine Learning Prediction of Companies ‘Business Success. CS229: Machine Learning, Stanford University. Recuperado de: http://cs229.stanford.edu/proj2018/report/88.pdf. Acesso em 25/mar/2020.

Porter, M. E. (2005). Estratégia Competitiva. Rio de Janeiro: Campus.

Profitfromtech (2020). The Ultimate List of Startup Statistics for 2020. Recuperado de: https://www.profitfromtech.com/startup-statistics/. Acesso em 01/out/2020.

Ries, E. (2012). A Startup Enxuta. 1ª ed. São Paulo: Leya.

Shan, Z., Cao, H., & Lin, Q. (2014). Capital Crunch: Predicting Investments in Tech Companies. CS221 Project: Crunchbase Investment Prediction. Training, 5831(32462), 32462. Recuperado de: http://www.zifeishan.org/files/capital-crunch.pdf. Acesso em 12/jun/2020.

Skiena, S. S. (2017). The Data Science Design Manual. Suiça: Springer.




DOI: https://doi.org/10.5585/gep.v12i2.18942

Apontamentos

  • Não há apontamentos.


Direitos autorais 2021 Revista de Gestão e Projetos

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição - Não comercial - Compartilhar igual 4.0 Internacional.

GeP – Revista Gestão e Projetos
ISSN da versão eletronica: 2236-0972
www.revistagep.org

GeP – Revista Gestão e Projetos ©2021 Todos os direitos reservados

Esta obra está licenciada com uma licença
Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional