اساس کار سرمایهگذاران خطرپذیر، سرمایهگذاری در کسب و کارهایی است که در لبه تکنولوژی(Cutting edge technology) فعالیت میکنند و یکی از مهمترین ویژگیهای آنها برهمزنندگی بازار است. به طوری که تاریخچه این مدل سرمایهگذاری نشان داده است که این سرمایهگذاران خود نیز علاقمند به تکنولوژی و تحول در شیوه انجام کارها هستند. لیستی از سرمایهگذارهای خطرپذیر داده محور را در این لینک میتوانید مشاهده کنید. ( https://www.techfor.vc/data-driven-vcs/ )
در بسیاری از صنایع، دادهها در حجم بالا در حال تولید شدن هستند به طوری که بررسی دقیقتر و به کارگیری مدلهای مختلف برای بهبود سرعت و دقت محاسبات از اهمیت بالایی برخوردار است. صنعت سرمایهگذاری خطرپذیر نیز به عنوان یکی از پذیرندگان اولیه تکنولوژیهای نوین از این مساله استقبال میکند چرا که مساله زمان برای شرکتهای وی سی از اهمیت بالایی برخوردار است.
طبق اظهارات فعالین فرآیندهای بررسی و ارزیابی استارتاپها خصوصا دستهای که سطح بلوغ بالایی هم دارند نیاز به زمان بالایی دارد. عنوان مثال در سیلیکون ولی میزان زمانی که برای ارزیابی موشکافانهی یک استارتاپ Late stage اختصاص مییابد بیش از دوبرابر زمانیست که برای یک استارتاپ EARLY Stage در نظر گرفته میشود. به طور منطقی هم هزینههای ارزیابی با زمان اختصاص یافته رابطهای مستقیم دارند.
سه مشخصهی اصلی برای سرمایهگذاری در یک استارتاپ
اساسا فعالیتهایی که منجر به سرمایهگذاری در یک استارتاپ میشوند سه مشخصهاصلی دارند:
- تکراری بودن
- داده محور و کمی بودن
- پیچیدگی بالا
بنابراین واضح است که تصمیمگیری در این شرایط کمی سخت به نظر میرسد و معمولا خطاهای انسانی نیز در این مسیر مانع بهینه شدن سبد سرمایهگذاری خواهند شد. در کشورهای توسعه یافته از ماشین لرنینگ در این مسیر استفاده میکنند.
تاثیر هوش مصنوعی و ماشین لرنینگ در صنعت سرمایهگذاری
همگرایی تکنولوژی هوش مصنوعی و ماشین لرنینگ با این صنعت تحولات گستردهای را ایجاد کرده است، به عنوان مثال یک شرکت سرمایهگذاری با تعریف الگوریتمهایی مبتنی بر الگوهای تاریخی و معیارهای خود سرعت انتخاب و یا رد کردن استارتاپها را بالا بردهاند. در فرآیند ارزیابی استارتاپهای Seed Stage و Early stage چون عملا دادههای تاریخی کمتری وجود دارد، ارزیابی عملکرد بر اساس پتانسیلهای کارآفرینانه موسسان می باشد به طوری که به عنوان مثال برخی از الگوریتمها دادههای مربوط به شبکههای اجتماعی مدیران محصول با پتانسیلهای بالا را رصد می کنند و در صورت دریافت سیگنال مبتنی بر ترک موقعیت شغلی فعلی، پیشنهاد جدیدی به آنها داده خواهد شد.
متغیرهای ملموس فزاینده با بلوغ شرکتها، ورودیهای ارزشمندتری را برای مدلهای پیش بینی عملکرد و امتیازدهی فراهم میکنند. به عنوان مثال، شرکتهایی که با مصرفکننده مواجه هستند معمولا دادههای در دسترستری نسبت به سایر شرکتها در اختیار دارند. در نهایت هدف اصلی همانطور که گفته شد افزایش بهرهوری در زمان و هزینه در کنار انتخاب درستترین شرکت برای سرمایه گذاری در مراحل قبل از جذب سرمایه است، مساله نرمافزاری شدن این فرآیند و استفاده از هوش مصنوعی برای فرآیندهای پس از جذب سرمایه اهمیت دو چندان دارد.
نظارت بر شرکتهای پرتفو که دائما دادههای جدیدی تولید میکنند و مسئولیت ارزیابی سلامت این دادهها که بر دوش کارمندان شرکتهای سرمایهگذاری است بیشتر از فرآیندهای غربالگری و انتخاب استارتاپ مناسب جهت سرمایه گذاری از نیروی انسانی وقت و انرژی میگیرد، به عنوان مثال اگر دو شرکت در پرتفو در بازاری فعالیت کنند که ارتباط تنگاتنگی با هم دارند به عنوان مثال شرکت A خدمات مربوط به سلامت زنان و زایمان ارائه دهد و شرکت B خدمات مربوط به سلامت نوزاد و بارداری، اگر یکی از این شرکتها قصد برگزاری کمپین و بازاریابی داشته باشد و نتایج دادهها برای شرکت در فضای ابری در دسترس باشد، کارشناس می تواند نتایج را برای شرکت B نیز شرح دهد و این مساله علاوه بر شناخت رفتار مشتریان نسبتا مشترک این دو شرکت ریسک برگزاری کمپین را برای شرکت B به عنوان مثال مطرح شد، کاهش می دهد چرا که اکنون شرکت B به کمک کارشناس و دادههای موجود، بازار را بهتر میشناسد و از خطاهای احتمالی هم آگاهی کامل دارد.
چهار عنصر موثر در قابلیتهای سرمایهگذاری خطرپذیر داده محور
چندین عنصر وجود دارد که به ایجاد قابلیتهای سرمایهگذاری مبتنی بر داده کمک میکند، این عناصر عبارت هستند از:
- جمعآوری و کیفیت اولویتبندی داده
- تغییر در استراتژی استخدام منابع انسانی
- تجزیه و تحلیل خروجی
- بهبود مستمر مدلها
اولین مورد جمعآوری و کیفیت اولویتبندی دادههاست، جمعآوری حجم وسیعتر از داده می تواند به بهبود عملکرد الگوریتمهای کمک کند. در همین مرحله این شرکتها باید به این دادههای خام ساختار مناسبی دهند در گام دوم شرکتهای سرمایهگذاری خطرپذیر باید در استخدام منابع انسانی استراتژیهای خود را تغییر دهد، چرا که مدل سنتی و مدل دادهمحور دو فرهنگ متفاوت هستند و افراد با قابلیتهای به روزتری باید فرآیندها را پیش ببرند. در سومین گام برای تبدیل شدن به مدل داده محور تجزیه وتحلیل خروجیهاست، زیرا مدلها همچنان غیرقابلاتکا هستند و هیچگاه نمیتوانند جایگزین تجزیه و تحلیل یک انسان برای تصمیم گیری شوند و باید به آنها به دید ابزار نگاه کرد نه جایگزین. مورد آخری که باید به آن توجه داشت بهبود مستمر مدلها با افزایش حجم دادهها و مقایسه با تحلیلهایی است که توسط انسان انجام شده است.