Venture capital e startups: critérios de decisão de investimento e o impacto do uso de machine learning
Carregando...
Arquivos
Data
2023-08-24
Autores
Orientador(res)
Perin, Marcelo Gattermann
Métricas
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Esta dissertação analisa os critérios utilizados por empresas de Venture Capital (VC) na tomada de decisão de investimento em startups em estágios iniciais (Early Stage) e a possibilidade de aplicação de técnicas de Machine Learning (ML) para suportar este processo. Essa questão é importante, porque, embora startups em portfólios de VC apresentem uma maior taxa de sobrevivência e crescimento, o percentual destas startups que proporcionam saídas bemsucedidas para os VCs é baixo. Além disso, a rentabilidade de VCs está ligada diretamente à seleção e ao investimento no maior número possível de startups que geram saídas de sucesso. Como os métodos tradicionais de valuation não são aplicáveis para startups em estágios iniciais pela falta de histórico financeiro e creditício, gestores de VCs utilizam diversos critérios para avaliação, desde os relacionados aos fundadores (pessoas), ao negócio e às políticas internas dos VCs, até a intuição (gut feeling). Na academia não há um consenso sobre quais são os critérios mais relevantes para a tomada de decisão, o que é exemplificado pela questão: é melhor apostar no jóquei (fundadores) ou no cavalo (negócio)? Adicionalmente, mesmo os critérios diretos podem envolver percepções subjetivas, como a importância das experiências profissionais entre o time fundadores para o sucesso da startup. Considerando este contexto de investimento em startups em fases iniciais que envolve alto nível de incerteza e grande número de variáveis que podem interferir entre si, técnicas de Machine Learning (ML) apresentam um grande potencial como nova abordagem para suportar a tomada de decisão de investimentos. Dessa forma, a pergunta de pesquisa deste trabalho é: quais critérios são identificados como mais relevantes pelos experts (gestores de VCs) e pelo modelo de ML? Para respondê-la, foi realizado um estudo misto de duas fases e sequencial qualitativo-quantitativo, com entrevistas em profundidade com profissionais com experiência em VCs. Posteriormente, a partir dos dados da pesquisa bibliográfica e dos insights da fase qualitativa, uma base de dados pública sobre investimentos Early Stage em 9.445 startups de todo o mundo foi processada para treinar de modelos de ML para predição de saídas de sucesso e sua interpretação utilizando Explainable ML. Observou-se entre os entrevistados a prevalência pela dimensão Pessoas, sob o aspecto de que uma startup em Early Stage está em validação e, por isso, os aspectos ligados ao negócio tendem mudar. Com isso, a dimensão Modelo de Negócio tende a ter papel de validação a modelos de referência e de volume, enquanto a dimensão Pessoas, de diferenciação. Embora a base de dados não dispusesse de dados sobre os fundadores, o modelo preditivo atingiu acurácia superior à atribuída aos VCs, segundo a literatura. Além disso, pode-se destacar que o modelo de Explainable ML capturou como novo critério a importância do tempo entre as rodadas Seed e Série A, especialmente com a influência negativa de tempos longos para uma saída de sucesso.