Un algorithme peut-il prédire si une startup réussira à sortir ? PitBook le croit.
La base de données sur le capital-risque et le capital-investissement a lancé aujourd’hui VC Exit Predictor, un outil formé sur les données de PitchBook pour tenter de déterminer les perspectives de croissance d’une startup. Lorsqu’on lui donne le nom d’une entreprise soutenue par VC, VC Exit Predictor génère un score sur la probabilité qu’elle soit acquise, rendue publique ou non sortie parce qu’elle devient autonome ou subit un événement (par exemple, une faillite) qui empêche un sortie.
« Le prédicteur de sortie VC a été développé à l’aide d’un algorithme d’apprentissage automatique exclusif développé par l’équipe de recherche quantitative de PitchBook, formé exclusivement sur les données disponibles sur la plate-forme PitchBook, y compris l’activité de transaction, les investisseurs actifs et les détails de l’entreprise », McKinley McGinn, chef de produit de l’intelligence de marché chez PitchBook , a déclaré TechCrunch dans une interview par e-mail. « Pour garantir l’exactitude, des prévisions sont faites pour les entreprises soutenues par du capital-risque qui ont reçu au moins deux séries d’accords de financement par capital-risque. »
PitchBook n’est certainement pas le premier à développer un outil algorithmique pour éclairer les décisions d’investissement. Pendant des années, les investisseurs ont réclamé un avantage concurrentiel basé sur l’IA ; Gartner prévoit que d’ici 2025, plus de 75 % des revues de dirigeants de capital-risque et d’investisseurs en démarrage seront informées par l’IA et l’analyse de données.
Les sociétés de capital-risque, notamment SignalFire, EQT Ventures et Nauta Capital, utilisent des plates-formes alimentées par l’IA pour signaler les meilleures entreprises potentielles. En 2021, une équipe de chercheurs a utilisé les données publiques de CrunchBase pour créer un outil assez similaire à VC Exit Predictor qui avait la capacité de prédire si les startups sortiront avec succès via une introduction en bourse ou une acquisition, échoueront ou resteront privées.
Mais ces outils fonctionnent-ils vraiment ?
McGinn dit que PitchBook a rétro-testé VC Exit Predictor sur un ensemble historique d’entreprises avec des sorties connues, qui comprenaient des entreprises telles que Blockchain.com, Revolut et Bitso. En moyenne sur l’ensemble de l’ensemble, l’outil était précis à 74% pour prédire une sortie réussie, affirme McGinn.
« Le VC Exit Predictor peut être exploité par les investisseurs en capital-risque à la recherche d’une approche basée sur les données pour leur évaluation initiale d’une entreprise financée par du capital-risque », a-t-il ajouté. « Cependant, nous prévoyons une longue suite de cas d’utilisation pour les acteurs de l’industrie à la recherche de candidats à l’introduction en bourse à venir, surveillant les concurrents sur le marché ou recherchant la validation d’un investissement dans leur prochain tour. »
VC Exit Predictor pourrait bien fonctionner sur l’ensemble de test de PitchBook. Mais la question est de savoir s’il résiste aux événements du cygne noir comme une pandémie, des conflits mondiaux (comme la guerre en Ukraine) et des catastrophes naturelles qui ne peuvent être anticipées. Les algorithmes ont toujours eu du mal avec ceux-ci en raison de leurs données de formation limitées.
Le nouvel outil de PitchBook tente de prédire quelles startups réussiront, en s’appuyant sur des données historiques. Crédits image : PitchBook
Un article de VentureBeat (écrit par votre serviteur) détaille comment une entreprise de l’industrie des aliments surgelés, par exemple, a eu du mal à utiliser un algorithme pour prédire où les ventes finiraient par s’installer pendant la pandémie de COVID-19. Au cours des trois à quatre premiers mois de la crise sanitaire, alors que la plupart des régions avaient mis en place des restrictions de restauration, les ventes d’aliments surgelés ont considérablement augmenté, les clients ayant choisi de manger à la maison. Mais lorsque certains pays ont rapidement assoupli leurs règles de quarantaine sur toute la ligne et que d’autres ont opté pour des réouvertures plus lentes, cela a entraîné un changement de tendance qui a rendu l’algorithme de l’entreprise moins fiable.
McGinn admet que VC Exit Predictor souffre de défauts similaires – par exemple, avoir une perspective favorable sur les sociétés de cryptographie malgré le déclin à l’échelle de l’industrie. « Il y a des limites aux prédictions au niveau du marché que l’algorithme peut faire », a-t-il déclaré. « Puisqu’il dépend de mises à jour opportunes dans un espace de marché à évolution plus lente, il faut du temps pour que le modèle s’adapte aux segments en hausse ou défaillants. »
Il y a aussi le problème de biais : inévitablement, les algorithmes amplifient les biais dans les données sur lesquelles ils sont formés.
Dans une expérience en novembre 2020, Harvard Business Review (HBR) a construit un algorithme de recommandation d’investissement et a comparé ses performances avec les rendements des investisseurs providentiels. Selon HBR, l’algorithme avait tendance à choisir des entrepreneurs blancs plutôt que des entrepreneurs de couleur et préférait investir dans des startups avec des fondateurs masculins, probablement parce que les femmes et les fondateurs d’autres groupes sous-représentés ont tendance à être désavantagés dans le processus de financement et finalement à lever moins de capital-risque.
Les experts ont trouvé des problèmes similaires avec l’outil Mosaic de CB Insights, qui évalue les fondateurs et les équipes de direction en début de carrière pour soutenir les décisions d’investissement, d’achat et de fusion et acquisition. Tech Brew a rapporté que quatre des six « signaux » divulgués que CB Insights utilise pour informer la probabilité de succès d’une personne sont des proxys pour la race, le statut socio-économique, le sexe et le handicap. C’est significatif, étant donné que seulement 8 % des diplômés du MBA sont noirs ; les recrutements précoces chez les géants de la technologie ont tendance à privilégier les Blancs, les Asiatiques et les hommes ; et moins de 2 % des startups de logiciels d’entreprise aux États-Unis ont une femme fondatrice.
McGinn affirme audacieusement que VC Exit Predictor est « aveugle à la race, au sexe et à l’éducation des fondateurs », mais a révélé que même PitchBook a trouvé une légère différence dans ses prédictions de succès distribuées – 1% – entre les PDG masculins et féminins.
« Bien qu’aucun outil ou personne ne puisse prédire les sorties de l’entreprise avec une précision totale, la capacité du VC Exit Predictor à traiter de grandes quantités de données et à identifier des modèles peut donner aux investisseurs un avantage pour prendre des décisions d’investissement éclairées », a-t-il déclaré. « Nous prévoyons de continuer à nous appuyer sur cet outil pour améliorer la précision des prévisions et ajouter de nouvelles fonctionnalités pour fournir encore plus d’informations. »
La conclusion est qu’aucun outil prédictif n’est parfait, et à son crédit, McGinn ne le nie pas. Nous espérons seulement que les investisseurs ne se fient pas exclusivement à VC Exit Predictor pour prendre leurs décisions financières, en particulier en l’absence d’un audit tiers de l’algorithme.