Modelos de machine learning para predição do sucesso de startups

Abstract

Este estudo analisa resultados obtidos com modelos de machine learning para predicao do sucesso de startups . Como proxy de sucesso considera-se a perspectiva do investidor, na qual a aquisicao da startup ou realizacao de IPO ( Initial Public Offering) sao formas de recuperacao do investimento. A revisao da literatura aborda startups e veiculos de financiamento, estudos anteriores sobre predicao do sucesso de startups via modelos de machine learning, e trade-offs entre tecnicas de machine learning . Na parte empirica, foi realizada uma pesquisa quantitativa baseada em dados secundarios oriundos da plataforma americana Crunchbase, com startups de 171 paises. O design de pesquisa estabeleceu como filtro startups fundadas entre junho/2010 e junho/2015, e uma janela de predicao entre junho/2015 e junho/2020 para prever o sucesso das startups . A amostra utilizada, apos etapa de pre-processamento dos dados, foi de 18.571 startups . Foram utilizados seis modelos de classificacao binaria para a predicao: Regressao Logistica, Decision Tree , Random Forest , Extreme Gradiente Boosting , Support Vector Machine e Rede Neural. Ao final, os modelos Random Forest e Extreme Gradient Boosting apresentaram os melhores desempenhos na tarefa de classificacao. Este artigo, envolvendo machine learning e startups, contribui para areas de pesquisa hibridas ao mesclar os campos da Administracao e Ciencia de Dados. Alem disso, contribui para investidores com uma ferramenta de mapeamento inicial de startups na busca de targets com maior probabilidade de sucesso.