Igazi dalos pacsirta lett Magyar Péter a kamerák kereszttüzében (VIDEÓ)
Aztán hátat fordított és elsétált.
Egy új algoritmus sokkal jobban megmondja startupok sikerét, mint a kockázati tőkebefektetők által használt megoldások. Érdekes módon nagyjából ugyanazokat a paramétereket mérik, a módszerek viszont jelentősen eltérnek egymástól.
A Brown-mozgás gázokban, folyadékokban lebegő részecskék megállás nélküli véletlenszerű mozgása. MIT-kutatók a káoszelméletben is használt jelenség kiszámíthatatlanságát algoritmikus sémával kapcsolták össze, hogy kockázati tőkebefektetések eredményességét prognosztizálják. Az algoritmus startup-alapítóka, feltalálókra és teljesítményükre vonatkozó adatsorral dolgozik.
A Crunchbase és a Pitchbook adatbázisokból több mint 83 ezer cég adatait gyűjtötték ki, és kapcsolták a LinkedInhez. A megmaradt adatokból előrejelző modellbe táplálható startup-tulajdonságokat, jellegzetességeket állítottak össze.
Tanulmányban mutatták ki, hogy a modell optimalizált befektetési portfolióknál 60 százalékos eladási arányokat érhet el. Ezek az arányok nagyjából a duplái a csúcskategóriás kockázati tőke-cégek előrejelzési arányainak. (Az eladási arány, az exit rate a cégek teljes eladásának aránya, ide tartozik a részleges értékesítésnek számító tőzsdére vitel is. Az exit minden dinamikusan működő cég alapcélja.)
„Elemzésünkből látható, hogy a kockázati tőkések az általunk a siker kulcsaiként azonosított dolgokat keresik” – nyilatkozta Tauhid Zaman, az egyik fejlesztő.
Szerinte a modell által végzett előrejelzés sikere olyan tényezők pontos mérésétől, mérési módjától függ, mint például az alapító tapasztalata. Semmi különös nincs ebben, mert a valóságban ezt is mérik a befektetők. Módszereik viszont teljesen másként működnek, mint az MIT sokkal jobban teljesítő algoritmusa.