Веселая поездка

Это похоже на создание волшебного стеклянного шара, который предсказывает вероятность успеха стартапов. За исключением того, что это вовсе не волшебство и точность прогноза составляет 50%, а недавний успешный прогноз — с точностью 75%!

Последние два года были веселой предпринимательской поездкой с небольшой группой инженеров, специалистов по данным и менеджеров программ, которые собрались вместе, чтобы создать свой любимый проект. Мы рады сообщить, что этот проект скоро будет коммерциализирован и у него появится первый реальный клиент. Как один из трех соучредителей и генеральный директор этого проекта, я имел удовольствие работать с очень талантливой командой. Пушпрадж Шукла, наш гуру машинного обучения и технический директор, Зои Чжоу, идейный вдохновитель и наш специалист по данным, и Джим Брисимитзис, наш дальновидный, бесстрашный лидер и главный операционный директор, который вел нас по этому пути!

Итак, что решает Startup Predictor?

Представьте себя венчурным капиталистом или лидером корпоративных инноваций, каждый день наблюдающим за открытием тысяч стартапов. Хотите знать, действительно ли те, с кем вы разговариваете и помогаете, проявятся и увидят выход в ближайшем будущем.

Если вы правильно рассчитали, если у вашего стартапа есть правильная команда, соответствие продукта рынку и клиенты; ваши шансы на успех по-прежнему составляют 5–10%. Если вы являетесь венчурной фирмой высшего уровня с набором выпускников MBA, которые штампуют финансовые модели, которые разрывают сердцевину бизнес-модели и предлагают оценку, которая дает вам 10-кратную прибыль, даже лучше. Независимо от вашего положения, вы страдаете от неудачных стартапов. И даже если ваш стартап не потерпит неудачу, есть вероятность, что они будут поглощены или объединены, и вы можете не получить той прибыли, на которую надеялись.

Добавим к этому проблему человеческих предубеждений. Как инвесторы, наличие опыта в отраслевой вертикали или рынке часто рассматривается как положительное явление. Это также означает, что вы, вероятно, имеете предвзятое отношение к стартапам в этой отрасли. Добавьте к этому огромный объем сделок, которые венчурный капиталист увидит за год.

Итак, вот суть

Startup Predictor устраняет качественные предубеждения относительно стартапов, создавая беспристрастную, основанную на данных и основанную на машинном обучении оценку состояния, которая помогает инвесторам и корпорациям принимать более взвешенные решения и экономить миллионы долларов, делая разумные ставки на стартапы. В отличие от поставщиков решений в этой области, Startup Predictor сочетает в себе проприетарные данные Bing с общедоступными сведениями, чтобы получить индекс работоспособности с вероятностью успеха 50%.

«Мы создали этот ИИ, чтобы помочьлюдям (а не заменить их), будь то технические скауты, венчурные капиталисты или руководители, чтобы они могли видеть стартапы за пределами их личных линз. Мы не делаем никаких предположений о том, что делает хорошего предпринимателя, или хорошего венчурного капитала, или акселератора, или хорошей или плохой области в этом отношении. Мы стараемся моделировать стартап-экосистему как можно шире, по сотням атрибутов, максимально объективно. Мы позволяем нашим моделям искусственного интеллекта изучать сложное взаимодействие команды, отрасли, потребителей и финансов, которое способствует успеху одних стартапов раньше, чем других», — говорит Пушпрадж, рассказывая немного о характере модели, лежащей в основе предиктора.

В декабре 2017 года мы прогнозировали появление 44 стартапов в таких отраслях, как розничная торговля, фармацевтика, финансовые технологии, образование и правительство. Они стали нашими «Компаниями, за которыми стоит следить» в 2018 году, и каждый успешный раунд, поднятый или закрытый, мы будем считать этой вехой подтверждением прогноза. На дворе май 2018 года, и 75 % стартапов из этого списка привлекли финансирование, тем самым подтвердив успешность Startup Predictor. Показатель успеха в 75% довольно высок по сравнению со средним показателем по отрасли в 10%. Так что, если бы мы были венчурным фондом, инвестирующим в эти 44 стартапа, мы бы уже начали гонку!

Где происходит волшебство

В стартап-команде мы начали с идеи использования машинного обучения для создания прогнозирующего решения на основе ИИ. Оказывается, команда Cloud & AI в то время создавала прогностические модели для церемонии вручения премии «Оскар» и спортивных мероприятий, и специалисты по данным и менеджеры программ в команде были очень рады помочь нам воплотить этот продукт в жизнь. Они уже обдумывали подобную идею.

Это было идеальное сочетание концепции и потребностей бизнеса. За этим последовало двухлетнее путешествие, в течение которого мы постоянно встречались всей командой и обсуждали, как мы будем измерять успех. Мы говорили о тестовых данных, которые нам понадобятся, и проблемах, связанных с ними. Мы также получили очень четкое представление о сценарии использования, для которого мы пытались решить. Данные были самым большим препятствием, а также самой интересной задачей, которую нужно было решить. От закупки до тестирования и обучения данных.

Прогнозирование следующего Единорога или Дракона — очень неоднозначная задача, и мы свели ее к прогнозированию следующей вехи финансирования. Это важно, потому что веха финансирования обычно является признаком того, что дела идут в правильном направлении, если пост-оценка была выше после раунда.

За кулисами

В Startup Predictor есть три ключевых компонента:

  1. Данные компании: это информация о стартапе, команде, присутствии в социальных сетях, новостях, веб-трафике и т. д.
  2. Отраслевые данные: это информация об отраслевой вертикали стартапа и рыночных силах, стоящих за ним. В зависимости от того, что популярно, мы по-разному оцениваем стартапы AI, Saas и VR.
  3. Данные о финансировании: это информация об инвесторах и раундах финансирования. Были ли инвесторы успешными как фонд и какова была их прибыль? Сколько инвестиций было успешным за последние 12 месяцев?

Объединение этих сигналов является основополагающим для модели. Затем мы накладываем такие функции, как охват социальных сетей, образование основателя и некоторые другие нюансы, которые входят в модель. Данные для обучения включают в себя прошлые успехи и неудачи в стартап-экосистеме, и мы обучаем модель с помощью десятилетий стартапов.

Наконец, мы проводим ретроспективное тестирование портфелей венчурных фондов и измеряем, как работает предиктор по сравнению с решениями, принимаемыми людьми.

«Следует отметить, что мы не моделируем это как единую монолитную проблему ИИ. Существует несколько уровней моделей искусственного интеллекта и машинного обучения, которые решают разные задачи, такие как семантическое понимание того, похожи ли две компании на основе того, что они говорят, по сравнению с тем, как их воспринимают люди, моделирование жизненного цикла стартапов, моделирование потребительских и отраслевых тенденций с помощью поиска, Социальные и веб-данные, среди прочего». говорит Пушпрадж.

Вперед

Приложения предиктора, который использует данные компании и предсказывает вероятность успеха, разнообразны. От привлечения потенциальных клиентов до установления контактов между традиционными предприятиями и стартапами — существует множество способов использования этого индекса здоровья и основных отраслевых тенденций, которые проявляются.

Одно из применений нашей команды, в частности, заключалось в поиске стартапов в дикой природе, которые никогда не присоединяются к акселераторам и, следовательно, имеют очень мало валидации вокруг них. Затем мы выбираем лучшие стартапы и тесно сотрудничаем с ними, чтобы предоставить ресурсы всей организации.

Еще одно приложение, которое мы тестируем, — это построение тенденций на основе стартапов, которые мы наблюдаем, и анализ новых тенденций, которые являются опережающими индикаторами для корпоративных инновационных команд, а не запаздывающими индикаторами венчурных инвестиций.

Итак, что мы узнали?

  1. Выходы и успехи не всегда должны означать крайний провал или IPO.

Есть большое количество компаний, которые со временем преуспевают, но не привлекают миллиарды венчурного капитала. Это стабильно растущие стартапы, которые, вероятно, имеют положительный доход и не попадают в новостные радары, но тихо растут и в конечном итоге видят успешные события ликвидации.

С другой стороны, выходы могут означать слияния или поглощения, которые не обязательно приводят к более высокой оценке. Эти компании интересны тем, что они указывают на то, что либо внезапный скачок оценки был завышен, и раунды постфинансирования не совпадали, либо компании объединились и создали взаимную стоимость.

2. Успех в прессе и СМИ не равнозначен успеху в реальном бизнесе.

3. Вы можете развить идею от концепции до коммерциализации с помощью экономного подхода и специальной команды интрапренеров.

4. Попытка устранить любые личные предубеждения, которые у нас были в отношении успеха/неудачи, такие как выходы, IPO и т. д. Стартапы B2B лучше, чем стартапы B2C? В разных отраслях разные стартап-экосистемы, и успех может быть разным. Например. Пищевая промышленность более зарождается по сравнению с технологией

5. Возможность протестировать наш продукт внутри Microsoft. ИИ может быть так же предвзят, как и люди, если данные, которыми мы его кормим, предвзяты. Возможность учиться, тестировать и устранять предубеждения, а также проводить внутреннее тестирование в Microsoft — это очень важно. Это возможность, которую предлагают не многие компании. Я думаю, что это была идеальная тренировочная площадка для нас, чтобы протестировать нашу технологию, прежде чем мы представим ее другим компаниям.

6. Как стартапы лидируют и находятся в авангарде трендов в различных отраслях. Прогнозирование тенденций является для нас смежной областью исследований и разработок, поэтому в этом проекте можно многому научиться.

Когда мы начинали как команда, это было просто бизнес-приложение для внутреннего использования. Мы пробивались через первые дни, собирая средства внутри компании для создания продукта и даже построили ранний прототип в Excel. Будучи интра-пренером, мы все имели свою повседневную работу и изначально должны были полагаться на нашу веру в то, что этот проект будет работать, и на непоколебимую поддержку нашей команды руководителей. С помощью преданной команды и большого количества капитала мы смогли создать это решение и теперь выводим его на рынок. В моем 12-летнем путешествии это самая полезная часть работы, которую я смог создать, и это не могло бы произойти без самой звездной команды.

Подводя итог, скажу, что самое важное, чему я научился, это то, что вы действительно можете решить самые сложные проблемы и даже предсказать следующего Дракона или Единорога, если у вас есть команда рок-звезд, которая будет сопровождать вас на каждом этапе пути! Нет проблем, которые были бы слишком большими или слишком технически сложными для решения, а с помощью ИИ в качестве инструмента у вас под рукой настало идеальное время, чтобы выбрать свою страсть и создать свой стартап!

Команда Майкрософт:

Сонал Мане, директор национальных программ Microsoft для стартапов; Пушпрадж Шукла, директор по науке о данных, облачным технологиям и искусственному интеллекту; Джим Брисимитзис, глава Microsoft для стартапов в Северной Америке; Зои Чжоу, старший специалист по данным, Cloug & AI.