Индустрия прямых инвестиций исторически полагалась на создание сетей для поиска инвестиционных возможностей. Однако преимущества использования больших данных и машинного обучения для поиска сделок привлекли внимание руководителей частных инвестиционных компаний.
Многие компании, пользующиеся домашним именем, когда-то получали финансирование от прямых инвестиций. FedEx, Intel и Cisco Systems - все это примеры, которые вы можете узнать. Без финансирования эти компании не были бы такими известными, как сегодня.
Отношения между инвесторами, частными инвестиционными компаниями и их партнерами с ограниченной ответственностью оказались выгодными для всех сторон; однако технологические инновации меняют эти отношения и способ работы фирм. Использование машинного обучения разрушает традиционные структуры сделок и улучшает возможности фирм по поиску поставщиков и взаимодействию с клиентами.
Традиционный путь
Традиционные методы принятия инвестиционных решений для частных инвестиционных компаний основаны на человеческом взаимодействии и личной встрече с потенциальными клиентами. Выбор поставщиков зависит от этих связей и способности фирмы эффективно взаимодействовать.
После этапов привлечения капитала фирмы используют поток собственных сделок - метод установления связей с юристами, бухгалтерами и руководителями отрасли, чтобы найти возможности для инвестиций или выкупа раньше других конкурирующих фирм. Совместные сделки, называемые синдикатами, также рассматриваются, если у партнерской частной инвестиционной компании нет средств для заключения прибыльной сделки самостоятельно. Чем больше сеть фирмы, тем больше связей она может использовать для поиска другой компании в поисках финансирования или выкупа. После установления связи фирма может проанализировать финансовые данные и данные о результатах деятельности клиента, чтобы понять, будет ли вложение целесообразным или нет. Эти концепции лежат в основе структур сделок с частным и венчурным капиталом.
Традиционные методы были эффективны на протяжении десятилетий, когда существовал частный капитал. Они сделали себе имя для некоторых из крупнейших в мире компаний частного и венчурного капитала, таких как Goldman Sachs, Accel и Sequoia Capital. Но, кроме основных финансовых показателей компании, как еще компания может использовать большие данные для поддержки своих инвестиционных решений?
Слишком много данных - хорошо это или плохо?
Ежедневно на рынок выходят тысячи предприятий. По мере того, как в отрасль непрерывно поступает капитал, становится все труднее принимать решения для частных инвестиционных компаний.
Обилие данных и переполненные рынки создали потребность в более сложном анализе. Сегодняшний поток технологических стартапов приводит к тому, что многие предприятия на первый взгляд кажутся почти идентичными. Возможности для инвестиций увеличились, но возникла проблема поиска жизнеспособных среди потенциальных неудач.
Вот где программное обеспечение может пригодиться. Фирме необходимо уметь:
- Анализируйте компании по массам
- Обрабатывайте большие объемы данных для выявления тенденций, создавая более четкие графики, которые упрощают сравнение между стартапом и остальной отраслью.
- Используйте результаты, чтобы определить стартапы с наиболее многообещающим потенциалом роста.
Следующий опрос, проведенный Blue Future Partners и PEVC Tech, показывает причины, по которым компании склонны использовать машинное обучение в своей деятельности. Из 137 ответов большинство согласились с тем, что они хотят использовать программное обеспечение для улучшения своей способности находить и выполнять сделки.
Но использование программного обеспечения для машинного обучения и искусственного интеллекта в венчурном капитале - это не только возможность для фирм. Сегодня это становится трендом. Когда одна фирма перенимает технологический подход к поиску стартапов, другие фирмы вынуждены делать то же самое, чтобы оставаться конкурентоспособными. 137 частных инвестиционных компаний также спросили о том, как они собираются подойти к новой тенденции использования больших данных и программного обеспечения для машинного обучения. Опросы дали следующие результаты:
Традиционные методы все еще распространены, но наблюдается явное движение в сторону использования аналитики данных - особенно при поиске поставщиков - поскольку фирмы выделяют больше средств на разработку программного обеспечения. Хотя типы сделок могут не измениться, фирмы в настоящее время расширяют свои инвестиционные группы, чтобы оцифровать свои структуры поиска поставщиков.
Оцифрованный путь
Оцифровка не подает никаких признаков остановки, поскольку она включается в деятельность многих фирм. По прошествии времени, когда все больше компаний процветают и терпят крах, у частных инвестиционных компаний появляется все больше данных. В результате это привело к более широкому использованию инвестиций, ориентированных на аналитику данных. Индустрия прямых инвестиций - это мир риска и выгод, но оцифрованные фирмы, использующие технологии машинного обучения, значительно снижают свои риски и получают большую прибыль от стартапов, превращающихся в крупные компании.
В ходе опроса, проведенного KPMG, несколько компаний, занимающихся прямыми инвестициями, спросили об их взглядах на большие данные и машинное обучение. 79% знали об этой технологии, 9% рассматривали возможность ее внедрения, а 12% уже использовали какую-либо форму сопутствующего программного обеспечения. Основываясь на исторических данных, Critical Future прогнозирует, что к 2025 году доходы индустрии искусственного интеллекта и машинного обучения вырастут более чем в шесть раз.
Следующая венчурная компания является примером успеха, который может принести следование тенденции оцифровки и больших данных.
Motherbrain - EQT Ventures
EQT Ventures, шведская частная инвестиционная компания, является примером успеха, который может принести уверенность в цифровых методах. Они умело использовали недавно разработанное программное обеспечение под названием Motherbrain для принятия инвестиционных решений в своем крыле венчурного капитала. В 2017 году они использовали программное обеспечение для 20 инвестиций, большая часть из которых была направлена в промышленность, производство товаров народного потребления, технологии и здравоохранение. Фирма закрыла более 30% своих инвестиционных сделок на основе результатов программного обеспечения и привлекла внушительные 50 миллиардов долларов капитала в 27 фондах. В отличие от большинства других фирм по всему миру, их портфель был основан на связях, обнаруженных с помощью технологий машинного обучения.
Как это работает
Программное обеспечение машинного обучения работает, выявляя тенденции в стартапах и используя их для обозначения их как высокого или низкого потенциала роста. Программное обеспечение анализирует несколько временных рядов - набор точек данных, индексированных во времени - финансовых показателей стартапа и пытается сопоставить их с временными рядами успешных компаний. Чем больше похожи данные, тем выше шанс на успех и больше склонности к инвестированию. Точно так же тенденции, совпадающие с тенденциями компаний, которые испытали неудачу или имели меньший успех, указывают на более низкий потенциал роста.
Поскольку EQT снабжает Motherbrain данными о собственных и внешних инвестициях, алгоритмы программного обеспечения будут продолжать развивать лучшее понимание тенденций, которые привели к успеху опрошенных компаний. Чем дольше и чаще используется Motherbrain, тем более эффективными становятся его алгоритмы для различения стартапов с высоким и низким потенциалом роста.
Большие данные приносят большие результаты
Первоначально EQT обучила программное обеспечение, используя данные об их собственных успешных инвестициях, полученных с помощью традиционных методов. С тех пор основное внимание уделяется сбору финансовых данных, включая прошлое финансирование, веб-рейтинг, рейтинг приложений, активность в социальных сетях и многое другое, чтобы добавить в базу данных Motherbrain его постоянно улучшающиеся алгоритмы.
Motherbrain не только находит новые компании для EQT. Его возможности распространяются на предоставление клиентам EQT данных о внешнем анализе компаний. Вот некоторые примеры:
- Влияние поведения конкурентов на продажи / осуществимость проекта.
- Взаимосвязь между местоположением и продажами в магазине
- Влияние продаж конкурентов на рынке на результаты деятельности компании.
Следующий стартап в области мобильных игр - отличный пример того, как Motherbrain поддержала инвестиционную сделку.
Small Giant Games, стартап в сфере мобильных игр, базирующийся в Финляндии, был идентифицирован компанией Motherbrain в 2017 году после того, как EQT провела анализ индустрии мобильных игр в Европе. Всего через десять месяцев после того, как EQT согласилась предоставить стартапу финансирование серии A в размере 5,7 миллиона долларов, выручка компании выросла на поразительные 33 миллиона долларов. Благодаря многообещающим результатам, EQT вернулась к владельцам Small Giant и обсуждает вторую инвестиционную сделку на сумму 41 миллион долларов.
Предоставляя данные, Motherbrain может вести компанию на всем пути от стадии стартапа до превращения в крупную корпорацию. Может показаться, что программное обеспечение может помочь им в инвестиционных сделках EQT на серебряном блюде, но на самом деле это далеко не так. Как и у любой техники, у нее есть недостатки.
Внутренние ощущения и аналитика данных
Motherbrain может обрабатывать огромные объемы данных. Чем больше запускается программа, тем точнее становятся ее прогнозы. Но не все наборы данных точны, полны или доступны для использования программным обеспечением; таким образом, в расчетах программного обеспечения будут пробелы, что приведет к искажению результатов. Например, Motherbrain труднее анализировать развивающиеся технологические отрасли. Его метод сравнения временных рядов с другими успешными компаниями менее эффективен, так как данных о признанных компаниях в растущей отрасли пока не так много.
Существуют также типы переменных данных, которые нелегко ввести в программное обеспечение. Ключевые элементы стартапа, такие как сильная командная динамика, язык тела и мотивация владельцев, - все это определяющие факторы успеха компании, но их нелегко выразить количественно в приемлемой форме данных для использования Motherbrain. Независимо от того, оцифрованы фирмы или нет, традиционные сети и изучение мотивации руководителей отрасли по-прежнему имеют первостепенное значение для успеха фирмы. Сделка EQT с Small Giant Games подчеркивает ценность этих областей.
После того, как Motherbrain определила Small Giant Games, аналитик EQT Ларс Йорнов встретился с генеральным директором игрового стартапа, чтобы обсудить направление их новых релизов. Рассмотрев соответствующие сегменты клиентов, Small Giant Games решили сменить жанр с казуальных игр на игры среднего класса. Хотя решение о маркетинге для новой аудитории казалось рискованным, Ларс написал в своей статье на Medium, что его «заинтриговало стремление команды смешать эту вечнозеленую основную игровую механику с более глубокой метаигрой». Их сильная командная динамика и мотивация указали на то, что эта компания, показатели которой уже были отмечены как высокий потенциал роста, будет стоящим вложением и связью в отрасли. После встречи они поддерживали связь, и в конечном итоге инвестиционная сделка серии А была заключена.
Практика полностью оцифрованной фирмы не будет идеальной. Из-за ограничений ввода данных создание сетей и изучение управленческой команды компании дает ценную информацию, которую программы программного обеспечения не могут.
Итак, какой? Традиционный или оцифрованный?
Как оцифрованные, так и традиционные фирмы могут работать реально, но вопрос остается. Какой метод может принести фирме более высокий доход, меньший риск и больший успех в целом?
По правде говоря, в зависимости от размера сети фирмы любой метод может быть эффективным. Доказано, что передовое программное обеспечение, такое как Motherbrain, улучшает поиск поставщиков и взаимодействие с клиентами, но для этого процесса также важна прочная сеть связей.
Ограничения обоих методов очевидны. Машинное обучение, хотя и мощное, не может охватить качественные аспекты компании. Однако использование исключительно сетей для заключения сделок ограничивает количество компаний, которые фирма может анализировать. Учитывая эти факторы и современные возможности технологии машинного обучения, сочетание цифровых и традиционных методов инвестирования представляется наилучшим способом заключения инвестиционной сделки. Хендрик Ландгрен, вице-президент Spotify до прихода в EQT Ventures, выразился так:
«Создавать модели, в которых можно найти отличные компании, - это здорово, но это не значит, что вы просто нажимаете кнопку и получаете инвестиции. «Это требует гораздо больше работы». Большая часть этой работы приходится на традиционную с инвесторами сферу построения отношений. «Речь идет о знании того, какие отношения строить и когда. «Вот для чего мы используем Motherbrain».
