Знайдений метод надійного прогнозу успішності стартапів

знайдений метод надійного прогнозу успішності стартапів

Автори відкриття вважають, що навчилися, як би, оцифровувати потенціал конвертації людського капіталу в зростання комерційної успішності стартапів.

Знайдений спосіб - формальний : задав потрібні вхідні дані і алгоритм видасть результат.

Як показала перевірка, предсказательная точністьспособу приблизно вдвічі вище кращих показників професіоналів венчурних інвестицій, чия робота при цьому незрівнянно дорожче.

Все це звучить абсолютно нереально.
Ну не може такого бути, бо не може бути ніколи!

Але метод ретельно перевірений на 26-річної статистикою світової бази даних стартапів, і що лежить в основі методу гіпотеза підтвердилася.

Це відкриття, теоретично, здатне перевернути не тільки індустрію венчурних інвестицій, але і весь бізнес. Адже мова йде про 100% -во автоматизируемой аналітиці, на думку авторів, вирішальною заповітну завдання будь-якого бізнесу -

прогноз перетворення знань в гроші.

Ця аналітика надає можливості:

  • оцифровувати швидкість притоку в компанію знань і компетенцій за рахунок приходу в неї нових співробітників;
  • аналізувати виникаючі в результаті переходів людейперетоки компетенцій в масштабах всієї соціальної мережі з конкуруючих компаній;
  • вельми точно прогнозувати на роки впередтрансформацію припливу знань і компетенцій в комерційний успіх компаній.
Тобто просто ульот! Але є і обґрунтовані сумніви .

Чи не в прогнозної точності нової моделі. Вона дійсно вдвічі вище, ніж прогнози експертів по венчурним інвестиціям (тут проти результатів чисельного моделювання на реальних даних, при всьому бажанні, не попреш).

Сумніви є в інтерпретації гіпотези,

покладеної авторами в основу свого методу.

Адже що, насправді, лежить в основі їх моделі?

  • Автори вважають, що їх модель оцифровує потенціал конвертації людського капіталу стартапів в зростання комерційної успішності їх бізнесу.
  • Мені ж бачиться, що все значно простіше. Чи не в знаннях справу. Ця модель описує -
конвертацію зв’язків у враження, конвертовані потім в гроші.

Якщо ця альтернативна гіпотеза вірна, то знайдений черговий вражаючий і, я б навіть сказав, скандальний приклад роботи «мережевий формули успіху» Альберта-Ласло Барабаш - «мережевого Ейнштейна» 21 століття.

Найголовніше - команда

Цей фраза - навіть не теза, а закон. І він відомий всім хоч якось причетним до венчурного бізнесу.

Спроби оцифрувати даний закон для формального аналізу ефективного потенціалу команд були численні.Намагалися вимірювати все-все-все: освіта, вік і досвід роботи людей, географію роботи, частоту переходів, профайли компаній наймачів, само- і зовнішні оцінки компетенцій …, ну і, звичайно ж, показані в минулому результати (вимірювані десятками несумісних методів) .

Чи не працювало ні-чо-го!

Предсказательная можливості побудованих на цих методиках моделей нічим не відрізнялися від випадкового вибору (наприклад, підкиданням монетки).

І ось дочекалися-таки революції. Група дослідників з Відділення математичних наук і Відділення бізнесу і менеджменту Лондонського університету, Інституту Алана Тьюринга (Лондон), Катанійского університету (Сицилія) і Об’єднаної лабораторії наук про складність (Відень) пішла іншим шляхом.

Автори дослідження, названого « Predicting success in the worldwide start-up network » , запропонували оригінальний синтетичний підхід.

  • Навіщо морочитися в спробах препарувати те, що люди привносять в бізнес компанії, приходячи в неї працювати? Знання, досвід, компетенції, зв'язку, «таргани в голові» ...
    Та все це вони і приносять, - з усіма плюсами і мінусами.
  • Будь-яка компанія працює не сама по собі, а в конкурентній мережевому середовищі. Точками кристалізації даного середовища - вузлами мережі - виступають конкуруючі на ринку компанії. А ключовий ресурс, за який вони конкурують - це люди, регулярно змінюють місце роботи.
  • Таку конкурентне середовище можна представити у вигляді графа соціальної мережі: вузли - це компанії, а соціальні зв'язки - це конкретні люди, що переходять з роботи на роботу між компаніями. І якщо з компанії А в компанію В (або навпаки) ніхто не переходив, то і зв'язку між компаніями немає.

Ось така цікава модель вийшла. Але при цьому залишилося питання на мільйон доларів.

Якщо з людьми між компаніями перетікають поки що вельми погано вимірні знання і компетенції, яким інтегральним показником можна всі ці перетоки виміряти?

Дослідники знайшли простий до геніальності відповідь - а не треба взагалі морочитися, адже все це - інформація .

  • З переходом людей між компаніями, відбувається перетікання якоїсь інформації між вузлами мережі.
  • Чим більше інформації втекла в якийсь вузол (і чим менше витекло), тим вузлу (компанії) краще для адаптації в конкурентному середовищі і прийняття оптимальних рішень.
  • Отже, досить вимірювати швидкості перетікання інформації між вузлами соціальної мережі, щоб обчислювати накапливаемую в її вузлах інформацію.Це і буде потрібний показник.

Залишилося зрозуміти, а чи є в теорії мереж такий показник?

Завдання про басейні

Хід міркування авторів дослідження був, приблизно, такий.

Розглянемо способи аналізу процесів інформаційного обміну, наприклад, в наукометричних базах даних. Як в таких мережах визначається впливовість публікацій? Так приблизно так само, як і в інтернеті визначається ранг сайтів - по метриках центральності вузлів графа.

Ця центральність може визначатися по-різному:

  • Центральність за ступенем (degree centrality) - обчислюється за кількістю зв’язків.
  • Центральність з посередництва (betweenness centrality) - обчислюється як кількість найкоротших шляхів між усіма парами вузлів, які проходять через заданий вузол.
  • Центральність за власним вектору (eigenvector centrality) - демонструє залежність впливовості вузла від значень впливовості його сусідів.
  • Центральність по близькості (closeness centrality) - показує швидкість поширення інформації через мережу.
Стоп! А адже closeness centrality - це рівно те, що треба: швидкість перетікання інформації по соціальній мережі.

Отже, центральність по близькості і слід обчислювати, вимірюючи тим самим швидкість перетоків інформації по мережі. Ну а далі, як в завданні про басейн - чим більше води в нього втекла і чим менше витекло, тим вище в ньому рівень води.

Потрібні великі дані

Отже, гіпотеза оформилася. Потрібно зіставити:

- зафіксовану за роками динаміку обсягів перетоків інформації за рахунок переходів людей між компаніями;
- і успішність компаній (для кожного конкретного місяця і року на горизонті в кілька років).

Базу даних перетоків людей зробили, почистивши від кривої і неповної інформації базу Crunchbase . З початкових 531К залишилося 42К компаній з 117 країн. Ці 42К вузлів отриманої мережі об’єднали 284К зв’язками - переходами 32К людей між компаніями.

Мережа вийшла динамічна - сильно змінюється в часі за 26 років з 1990 по 2015.

Потім ще поворожили з двосторонніми зв’язками, в результаті чого їх число скоротилося приблизно вдвічі - до 135К. В результаті вийшла мережу, названа World Wide Start-up (WWS).

візуалізація найбільш активної частини wws (8% вузлів і 31% зв'язків). джерело: https://www.researchgate.net/publication/332494529_predicting_success_in_the_worldwide_start-up_network

Візуалізація найбільш активної частини WWS (8% вузлів і 31% зв’язків). Джерело: https://www.researchgate.net/publication/332494529_Predicting_success_in_the_worldwide_start-up_network

Хто найуспішніший?

За гіпотезою авторів дослідження,

найуспішніші компанії - ті, в які найбільше втекла знань, компетенцій і досвіду провідних співробітників, і найменше витекло.

Вимірюється цей показник на основі щомісячного моніторингу показника центральності по близькості (closeness centrality) кожної компанії. Як такий показник назвати? Так як завгодно: накопичений людський капітал, прітекшіе і неутекшіе знання і т.д.

Ось, наприклад, як в мережі WWS виглядає компанія Airbnb і її зв’язків через своїх провідних співробітників з іншими компаніями мережі.

фрагмент відображення компанії компанія airbnb в мережі wws. джерело: https://www.researchgate.net/publication/332494529_predicting_success_in_the_worldwide_start-up_network

Фрагмент відображення компанії компанія Airbnb в мережі WWS. Джерело: https://www.researchgate.net/publication/332494529_Predicting_success_in_the_worldwide_start-up_network

У квадраті з червоних пунктирних ліній показаний перейшов в 2013 на роботу в Airbnb Томас Аренд, колишній до того, серед іншого, Senior product manager в Google, International product leader в Twitter і Product manager в Mozilla. З його приходом в Airbnb, компанія збільшила свій накопичений людський капітал і, за рахунок встановлення зв’язків з новими компаніями, підвищила свій показник центральності по близькості.

А ось характерний приклад того, як змінювався в часі показник накопиченого людського капіталу і, відповідно, центральності по близькості у п’яти компаній.

динаміка показника накопиченого людського капіталу п'яти компаній: apple, microsoft, facebook, airbnb і uber. джерело: https://www.researchgate.net/publication/332494529_predicting_success_in_the_worldwide_start-up_network

Динаміка показника накопиченого людського капіталу п’яти компаній: Apple, Microsoft, Facebook, Airbnb і Uber.Джерело: https://www.researchgate.net/publication/332494529_Predicting_success_in_the_worldwide_start-up_network

Легендарний Apple  - роками стоїть майже як укопаний поблизу максимуму показника, але все ж по чуть-чуть наближаючись до цього максимуму.

Microsoft  - також титан, на початку 90-х і зараз грає з Apple на рівних, але побачив не настільки блискучі часи, відчутно просів в період з 1995 по 2005.

Унікальний «єдиноріг» 1й декади 21 століття Facebookракетою злетів в 2005 і за 10 років практично дістав лідерів Apple і Microsoft.

Ще більш амбітні, ніж Facebook, «єдинороги» 2й декади 21 століття Airbnb і Uber піднімаються вгору, але пройшли лише півдорозі до лідерів.

Отже, залишилося вирішити, як вимірювати успішність.Тут автори вирішили не винаходити велосипеда.

Компанія вважається успішною на горизонті часу 7 років, якщо протягом цього часу відбудеться, як мінімум, одна з таких подій - компанія:

- буде куплена іншою компанією;
- купить іншу компанію;
- вийде на IPO.

Такий підхід до оцінки успішності виглядає не сильно інтелектуальним. Але, поклавши руку на серце, адже приблизно так само, не мудруючи лукаво, оцінюється успішність стартапів професіоналами венчурного ринку.

Ну а тепер подивимося, що у дослідників вийшло.

результати моделювання

  • В ході моделювання 26 річної історії 135 тис. Переходів 32 тис. Людей між 42 тис. Компаній, для кожного модельного місяці розраховувалися показники центральності по близькості для кожної з вхідних в мережу компаній.
  • За результатами цього розрахунку центральності, компанії ранжувались : чим вище центральність по близькості, тим вище ранг.
  • Залежно від рангу компанії, розрахованого для місяця Х року Y, прогнозувалася «траєкторія успішності» компанії на 7 років вперед (починаючи з місяця Х + 1 року Y). Траєкторія передбачалася тим успішнішою, чим вищий ранг компанії.
  • Для наступного модельного місяці все повторювалося заново . І тим самим, динамічно оновлюючи розрахунок центральності по близькості, а потім і рангу, щомісяця уточнювався прогноз «траєкторії успішності» компаній на 7 років вперед.

Так поетапно і прорахували всі 26 років. А потім порівняли з тим, що було в реальності.

Результат вийшов такий.

прогнозування довгострокового успіху компаній на основі рейтингу центральності по близькості. джерело: https://www.researchgate.net/publication/332494529_predicting_success_in_the_worldwide_start-up_network

Прогнозування довгострокового успіху компаній на основі рейтингу центральності по близькості. Джерело: https://www.researchgate.net/publication/332494529_Predicting_success_in_the_worldwide_start-up_network

На нижньому графіку синьою лінією показана успішність прогнозів перевіряється моделі на щомісячній основі в порівнянні з успішність прогнозів нульовий моделі (випадкове рейтингування компаній), показаної чорною лінією.

Показник успішності прогнозів визначається так.наприклад:

  • максимальний показник синьої лінії в 48% (2003 рік) означає, що 48% компаній зі списку Тор-20рейтингу центральності по близькості показали в наступні 7 років, як мінімум 1 з 3х типів успіху (були куплені, самі купили або вийшли на IPO) ;
  • мінімальний показник синьої лінії в 17% (2007 рік) означає, що тільки 17% компаній зі списку Тор-20 рейтингу центральності по близькості показали в наступні 7 років, як мінімум 1 з 3х типів успіху.

На верхньому графіку показана ймовірність (p-значення)випадкового отримання показника успішності прогнозів вище, ніж спостерігався у відповідному місяці. Сіра затінена область вказує періоди часу, де прогнозстатистично значимий (р-значення <0,05). Наприклад, для 48% в 2003 р р-значення <0,0001, а для 17% в 2007 р р-значення вийшло не дуже статистично значуще - більше 0,1.

Беручи до уваги, що точність прогнозів успіху стартапів на ранніх інвестиційних стадіях експертами венчурного бізнесу становить приблизно 10-15%, виходить наступне.

  • У період стабільно зростаючої економіки модель показала підвищення точності прогнозів успішності стартапів в кілька разів, в порівнянні з нульовою моделлю (випадкове рейтингування компаній).
  • У міру наближення та входження в кризу , предсказательная точність моделі знижувалася, залишаючись при цьому, в середньому, все ж удвічі більше точної, в порівнянні з нульовою моделлю.
  • Середнє поліпшення точності прогнозів успішності стартапів на ранніх інвестиційних стадіях, в порівнянні з прогнозами експертів венчурного бізнесу, склало, приблизно 100% (25-30% в порівнянні з 10-15%).
Так що самі бачите, модель працює досить точно. Незрівнянно точніше випадкового ворожіння. І відчутно точніше прогнозів кращих фахівців венчурної індустрії.

З чого випливає, що незабаром процедура скрініга стартапів буде проводитися не людьми, а ІІ.

Тим більше, що автори дослідження показали, як, наприклад, це можна зробити.

Справа в тому, що розроблена модель надає лишеевристичні рекомендації і не дає чисельного прогнозу ймовірності конкретного стартапу досягти комерційного успіху на горизонті в 7 років (для довідки, - тривалість часового горизонту прогнозу моделі в дослідженні змінювалася).

Однак в додатку до дослідження, автори показали, що з використанням класифікаційної моделі, наприклад,логістичної регресія (logistic regression) , цілком можливий чисельний розрахунок ймовірності успіху для конкретного стартапу. При тестуванні автори расчитали точність таких прогнозів. Виміряна показником F-міра (F1 score - спільна оцінка точності і повноти) вона склала 0,6.

Так що виходить, що слідом за біржовими маклерами, вже замінними ІІ, можуть приготуватися на вихід аналітики скрініга стартапів. ІІ це буде робити точніше, швидше і дешевше.

Отже, резюмуємо.

A. Новий метод підвищує точність прогнозів успішності стартапів.
B. Також він дозволяє автоматизувати процес скрініга стартапів, знизивши його вартість і підвищивши швидкість.

Однак залишився важливе питання.

- Який «фізичний зміст» нової моделі?

- Іншими словами, що в реальності відображає лежить в основі моделі розрахунковий показник центральності по близькості?

Альтернативна гіпотеза - не знання, а зв'язку

Автори вважають, що «фізичний зміст» їх моделі - оцифровка перетоків знань і компетенцій між компаніями, внаслідок переходів людей з роботи на роботу.

Можливо. Але тоді виходить, що успіх стартапу визначається, як би його « талантом » - таким собі інтегральним показником акумульованих в ньому знань, компетенцій і досвіду його співробітників.

І ось тут-то в самий раз згадати про чудову нової міждисциплінарної науки - мережевий «Науці про успіх» ( «Science of Success» ), переконливо довела на багатьох прикладах, що

в мережевих системах з двох ключових факторів - «талант» і «зв’язку» - домінуючу роль грає зовсім не фактор «таланту», а фактор «зв’язків».

На цю тему мною вже написано так багато, що я не буду тут вдаватися в деталі, а переадресую бажаючих в них розібратися:

  • до серії постів каналу «Маловідома цікаве» з тегом #ScienceOfSuccess;
  • путівника по постам цієї теми під назвою «Нова наука про успіх і удачі. Як на них впливає мережеве пристрій світу »;
  • ну і звичайно ж до «Біблії» цієї теми - книзі великого Барабаш, вже кілька місяців входить в топи світових бестселерів, - «The Formula: The Universal Laws of Success».

у цьому місяці cnn, forbes і inc - bookauthority включили бестселер барабаш «the formula: the universal laws of success» в список 17 книг, які

У цьому місяці CNN, Forbes і Inc - BookAuthority включили бестселер Барабаш «The Formula: The Universal Laws of Success» в список 17 книг, які “обов’язково потрібно прочитати в 2019”. джерело https://bookauthority.org/books/new-success-ebooks?t=12berr&s=author&book=0316505498

Головні заповіді цієї «Біблії» такі.

✔️ В ціфросетевом світі не тільки економіка, а й успіх, в основному, залежить «від вражень» - тобто немає від продуктивності автора і якості його продукції або досягнень, а від їх (автора і продукту) колективного сприйняття суспільством .

✔️ Сприйняття в ціфросетевом світі, в першу чергу,залежить від зв’язків - хто про вас знає, хто вас рекомендує, наскільки відомі і впливові ваші «інфлюенсери», і наскільки « центрально по близькості » вони вбудовані в мережеву систему.

Команда Барабаш і його послідовників в інших лабораторіях світу, що займаються дослідженнями в області «Science of Success», за останні пару років розкрили дивовижні особливості кар’єри творчих професій: вчених, митців і ряду інших творчих професій, результативність яких протягом кар’єри може бути ефективно оцінена.

Висновки усіх цих досліджень досить однозначні:

  • Необхідно чітко розрізняти продуктивність і успіхбудь-якої творчої діяльності.
  • Продуктивність діяльності залежить від що беруть участь в ній людей, а успіх - від сприйняття цієї діяльності і її продуктивності іншими людьми ( «Performance is about you, success is about us »)
  • У ціфросетевом світі закон Матвія ( «Багаті будуть багатшими, а бідні біднішими») вже не просто закон, а Основний закон - так би мовити, конституція цифрового світу. І відповідно до цієї «конституції», -
найбільший успіх отримує той, хто вже найбільш відомий.

Математичною основою конституції цифрового світу є«перевагу встановлення мережевих зв’язків» (preferential attachment) - наприклад, новий документ в мережі більш ймовірно буде мати посилання на вже існуючий документ, на який вже є багато посилань.

Preferential attachment - це і є закон Матвія цифрового світу , згідно з яким
успіх письменників, художників, акторів і т.п.залежить від їх зв’язків  - їх встроенности в свої профільні соціальні мережі .

Вивчивши динаміку взаємозв’язків в цих мережах, дослідники «Science of Success» не тільки здатні точно розрахувати рівень успіху того чи іншого автора або актора, а й досить точно визначити, коли його зоряний час настане і буде він єдиний в його кар’єрі або має шанс повторитися (див. нову роботу на цю тему «Quantifying and predicting success in show business»).

Ну а тепер повернемося до дослідження « Predicting success in the worldwide start-up network » :

1. його базової гіпотези про центральності по близькості компаній, як основному ПРЕДИКТОРИ їх успіху;

2. інтерпретації центральності по близькості компанії, як сумарних знань і компетенцій, які у ній співробітників.

Так ось, згідно з «Science of Success», пункт 2 взагалі не потрібен.
Успіх стартапів подібний успіхам творчих професіоналів. Провідну роль у цьому відіграє на талант (знання, компетенції) засновників і провідних співробітників, а їх зв’язки і випадок.

Стартапери - теж свого роду художники або, якщо хочете, артисти.

Бо центральність по близькості компанії, інтегруюча центральність по близькості всіх її співробітників, є необхідною і достатньою умовою успіху компанії.

Іншими словами, зберіть в стартапі якомога більше відомих персон, вже засвітилися в інших, бажано, якомога більше відомих компаніях, і мають максимально велику мережу відомих і впливових знайомих в індустрії, - і компанія досягне успіху.

Незалежно від зібраних в стартапі знань і компетенцій і навіть від продукту компанії.

І все це тому,

що в ціфросетевом світі стартапів рулять зв’язку його співробітників і враження, що генеруються інфлюенсерамі їх профільної соціальної мережі.

Ну а знання, компетенції тощо …, звичайно, теж дещо значать. Але це не головне в венчурному мережевому бізнесі вражень .

знайдений метод надійного прогнозу успішності стартапів

Цей висновок грунтується лише на моїх спекуляціях , зроблених шляхом перенесення базової ідеї мережевий «Науки про успіхи» на інтерпретацію результатів дослідження «Predicting success in the worldwide start-up network».

Яка з двох інтерпретацій - авторів дослідження або моя - виявиться вірною, покажуть подальші дослідження.

Ну а поки зафіксуємо вже доведений і сам по собі фантастичний прорив.

Знайдений метод надійного прогнозу успішності стартапів.
Це досить сильно вплине на $ 330 млрд.-ний венчурний бізнес.

________________________________

Якщо сподобався пост:
- натисніть на “палець вгору”;
- підписатися на оновлення каналу на платформі Яндекс Дзен ;
- залиште коментар.
Ще більше матеріалів на моєму телеграм каналі «Маловідома цікаве». Підпишіться



ЩЕ ПОЧИТАТИ