Une étude dans laquelle des modèles d'apprentissage automatique ont été formés pour évaluer plus d'un million d'entreprises a montré que l'intelligence artificielle (IA) peut déterminer avec précision si une entreprise en démarrage échouera ou réussira. Le résultat est un outil, Venhound, qui a le potentiel d'aider les investisseurs à identifier la prochaine licorne.

Il est bien connu qu'environ 90 % des startups échouent :entre 10 % et 22 % échouent au cours de leur première année, et cela présente un risque important pour les investisseurs en capital-risque et autres investisseurs dans des entreprises en démarrage. Afin d'identifier les entreprises les plus susceptibles de réussir, les chercheurs ont développé des modèles d'apprentissage automatique formés sur les performances historiques de plus d'un million d'entreprises. leurs résultats, publié dans KeAi's Le Journal de la finance et de la science des données , montrent que ces modèles peuvent prédire le résultat d'une entreprise avec une précision allant jusqu'à 90 %. Cela signifie que potentiellement 9 entreprises sur 10 sont correctement évaluées.

"Cette recherche montre comment des ensembles de modèles d'apprentissage automatique non linéaires appliqués au Big Data ont un potentiel énorme pour mapper de grands ensembles de fonctionnalités aux résultats commerciaux, quelque chose qui est irréalisable avec les modèles de régression linéaire traditionnels, " explique le co-auteur Sanjiv Das, Professeur de finance et de science des données à la Leavey School of Business de l'Université de Santa Clara aux États-Unis.

Les auteurs ont développé un nouvel ensemble de modèles dans lequel la contribution combinée des modèles l'emporte sur le potentiel prédictif de chacun seul. Chaque modèle classe une entreprise, le placer dans l'une de plusieurs catégories de réussite ou une catégorie d'échec avec une probabilité spécifique. Par exemple, une entreprise peut avoir de grandes chances de réussir si l'ensemble déclare avoir une probabilité de 75 % d'être dans la catégorie IPO (cotée en bourse) ou « acquise par une autre entreprise », alors que seulement 25% de sa prédiction tomberait dans la catégorie des échecs.

Les chercheurs ont formé les modèles sur des données provenant de Crunchbase, une plateforme participative contenant des informations détaillées sur de nombreuses entreprises. Ils ont marié les observations de Crunchbase avec les données sur les brevets de l'USPTO (Office des brevets et des marques des États-Unis). Étant donné la nature participative de Crunchbase, ce n'était pas une surprise d'apprendre que les entrées de certaines entreprises manquent d'informations. Cette observation a inspiré les auteurs à mesurer la quantité d'informations manquantes pour chaque entreprise et à utiliser cette valeur comme entrée du modèle. Cette observation s'est avérée être l'une des caractéristiques les plus critiques pour déterminer si une entreprise allait être acquise ou faire faillite.

L'auteur principal Greg Ross de Venhound Inc. note que l'ensemble de modèles, ainsi que de nouvelles fonctionnalités de données, "génére un niveau de précision, précision et rappel qui dépasse d'autres études similaires. Les investisseurs peuvent l'utiliser pour évaluer rapidement les prospects, lever les drapeaux rouges potentiels et prendre des décisions plus éclairées sur la composition de leurs portefeuilles."