Τεχνικές μηχανικής μάθησης για την εξόρυξη δεδομένων και την πρόβλεψη επιτυχίας νεοφυών επιχειρήσεων

Abstract

Η ταχύτατη εξέλιξη είναι η φράση που χαρακτηρίζει τη σύγχρονη κοινωνία και ιδιαίτερα τη σημερινή επιχειρηματική αγορά. Η εξάπλωση της τεχνολογίας, το συνεχώς υψηλότερο επίπεδο γνώσεων και ο ανταγωνισμός μεταβάλλουν ραγδαία τον επιχειρηματικό κόσμο. Συνεχώς προκύπτουν ευκαιρίες με υπέρογκες ανταμοιβές, αλλά ταυτόχρονα απαιτούν υψηλό ρίσκο. Οι νεοφυείς επιχειρήσεις (start-ups), τα τελευταία χρόνια, αποτελούν πόλο έλξης για μεγάλο αριθμό επιχειρηματιών, αφού σε ελάχιστο χρονικό διάστημα αποφέρουν τεράστια κέρδη. Στόχος της παρούσας εργασίας αποτελεί η μελέτη των παραγόντων που οδηγούν μια εταιρία στην επιτυχία, η αναγνώριση των κοινών μοτίβων, ώστε αυτή η γνώση να αξιοποιηθεί μελλοντικά από επενδυτές και επιχειρηματίες. Η πρόβλεψη επιτυχίας μιας εταιρίας θεωρείται ένα απαιτητικό εγχείρημα, το οποίο μπορεί να αποφέρει ένα σημαντικό πλεονέκτημα στους εμπλεκόμενους. Ως σήμερα, το πρόβλημα μελετάται σε θεωρητικό επίπεδο και έμφαση δίνεται σε επιχειρηματικά μοντέλα, δομές και οικονομικά στοιχεία. Ωστόσο, η επιτυχία ή αποτυχία μιας εταιρίας έχει πλήθος παραγόντων που συχνά είναι δύσκολο να συνδυαστούν. Στην παρούσα εργασία, προσεγγίζεται η παραπάνω πρόκληση εφαρμόζοντας τεχνικές μηχανικής μάθησης σε αυστηρά μετρήσιμους παράγοντες. Συγκεκριμένα, αναλύονται και επεξεργάζονται τα δεδομένα 55,585 εταιριών παγκοσμίως από διαφορετικούς τομείς και στη συνέχεια δοκιμάζονται σε 6 αλγορίθμους. Μεγάλη έμφαση δίνεται στον τομέα δραστηριοποίησης και τη χώρα ίδρυσης, στην τακτική χρηματοδότησης και την εμπειρία των επενδυτών. Ως επιτυχημένη εταιρία θεωρήθηκε αυτή που προσφέρει μεγάλα χρηματικά ποσά στους ιδρυτές, τους επενδυτές και τους πρώτους υπαλλήλους (i) με την εισαγωγή της στο χρηματιστήριο ή (ii) με την εξαγορά της από άλλη εταιρία. Οπότε, οι εταιρίες χωρίστηκαν σε δύο κατηγορίες σύμφωνα με το προηγούμενο κριτήριο, ενώ επιλέχθηκαν προσεκτικά χαρακτηριστικά που θα προσφέρουν πληροφορία προκειμένου να διευκολύνουν τους αλγορίθμους να αξιολογούν σωστά και να εντοπίσουν τα απαιτούμενα μοτίβα. Αρχικά, περιγράφεται το θεωρητικό υπόβαθρο των start-ups και παρουσιάζονται τα αποτελέσματα παλαιότερων σχετικών μελετών. Ακολουθεί η ανάλυση και προσεκτική επεξεργασία των δεδομένων, ενώ επιλέγονται τα κατάλληλα χαρακτηριστικά ώστε να εμπλουτιστούν τα σύνολα. Στη συνέχεια, τα σύνολα χαρακτηριστικών αξιοποιούνται από τους αλγορίθμους, σχολιάζονται τα αποτελέσματα για την εξαγωγή χρήσιμων συμπερασμάτων και την ενίσχυση της επιστημονικής κοινότητας με μελλοντικές προτάσεις. Ταυτόχρονα, σημειώνονται τα προβλήματα και οι μέθοδοι με τις οποίες αντιμετωπίστηκαν.