Resumen de Modelos de machine learning para predição do sucesso de startups

Fabiano Rodrigues, Francisco Aparecido Rodrigues, Thelma Valéria Rocha

• português

  Este estudo analisa resultados obtidos com modelos de machine learningpara predição do sucesso de startups. Como proxyde sucesso considera-se a perspectiva do investidor, na qual a aquisição da startupou realização de IPO(Initial Public Offering) são formas de recuperação do investimento. A revisão da literatura aborda startupse veículos de financiamento, estudos anteriores sobre predição do sucesso de startupsvia modelos de machinelearning,e trade-offsentre técnicas de machine learning. Na parte empírica, foi realizada uma pesquisa quantitativa baseada em dados secundários oriundos da plataforma americana Crunchbase, com startupsde 171 países. O design de pesquisa estabeleceu como filtro startupsfundadas 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 Machinee Rede Neural. Ao final, os modelos Random Foreste Extreme Gradient Boostingapresentaram os melhores desempenhos na tarefa de classificação. Este artigo, envolvendo machine learninge startups, contribui para áreas de pesquisa híbridas aomesclar os campos da Administração e Ciência de Dados. Além disso, contribui para investidores com uma ferramenta de mapeamento inicial de startupsna busca de targetscom maior probabilidade de sucesso.

• English

  This study analyzes results from machine learning models to predict the success of startups. As a proxy for success, we considered the investor's perspective, according to which startup buyout or IPO (Initial Public Offering) are ways to recover the investment. The literature review addresses startups and funding mechanisms, previous studies on prediction of startup success via machine learning models, and trade-offs between machine learning techniques. The empirical study comprised a quantitative research based on secondary data from the American Crunchbase platform, with startups from 171 countries. The research design used as filter startups founded between June/2010 and June/2015, as well as a prediction window from June/2015 to June/2020 to predict startup success. The final sample, after the data preprocessing stage, comprised 18,571 startups. Six binary classification models were used for success prediction: Logistic Regression, Decision Tree, Random Forest, Extreme Gradient Boosting, Support Vector Machine, and Neural Networks. In the end, the Random Forest and Extreme Gradient Boosting models had the best performance in the classification task. This article involving machine learning and startups contributes to research in hybrid fields by combining perspectives from Business and Data Science. Additionally, it contributes to investors with a tool for initial mapping of startups in search of targets with greater probability of success.