3 KI Use Cases für Investoren und Startups: Wie künstliche Intelligenz die Welt des Venture Capitals verändert.

Die Venture-Capital-Branche bewegt sich in einem dynamischen Umfeld, in dem schnelle Entscheidungen und präzise Vorhersagen oft über Erfolg oder Misserfolg eines Investments entscheiden. Besonders bei frühen Investitionen in Startups ist die Unsicherheit hoch, da es oft nur wenige Daten gibt, auf die sich Investoren verlassen können. Hier kann künstliche Intelligenz (KI) helfen: Durch datengetriebene Modelle und fortschrittliche Algorithmen eröffnet sie Investoren und Startups völlig neue Möglichkeiten. Machine Learning (ML) und andere KI-Technologien ermöglichen es, aus großen Datenmengen wertvolle Erkenntnisse zu gewinnen, zukünftige Entwicklungen vorherzusagen und Risiken besser zu managen.

Im Folgenden werden drei Anwendungsfälle vorgestellt, wie KI den Investmentprozess und das Wachstum von Startups revolutioniert: die Vorhersage des Erfolgs von Startups, die Vorhersage der Post-Money-Bewertung und die Sektor-Kluster-Analyse mit Latent Dirichlet Allocation (LDA).

Startup Ökosysteme

1. Vorhersage des Erfolgs von Startups

Investoren stehen vor der Herausforderung, frühzeitig zu erkennen, ob ein Startup erfolgreich sein wird. KI-Modelle wie Random Forests und Gradient Tree Boosting (GTB) analysieren historische Daten, um den zukünftigen Erfolg eines Unternehmens vorherzusagen, sei es durch eine Übernahme, einen Börsengang (IPO) oder weitere Finanzierungsrunden.

Zu den verwendeten Daten gehören beispielsweise:

• Gründungsdatum des Startups: Ältere Startups haben möglicherweise höhere Überlebenschancen.

• Erfahrungen der Gründer: Anzahl der Gründer, ihre beruflichen Netzwerke und ihre Ausbildung.

• Frühere Finanzierungsrunden: Anzahl und Höhe der bisherigen Investitionen.

  
  

Diese KI-gestützten Vorhersagen helfen Investoren, fundierte Entscheidungen zu treffen und das Risiko von Fehlinvestitionen zu verringern. Ein Nachteil besteht jedoch darin, dass die Qualität der Vorhersagen stark von der Verfügbarkeit und Genauigkeit der Daten abhängt. Gerade bei sehr jungen Startups fehlen oft umfassende Informationen, was die Modelle beeinträchtigen kann.

Performance: Studien zeigen, dass die Vorhersage-Modelle eine Genauigkeit von rund 82% erreichen, wobei besonders Gradient Tree Boosting (GTB) durch hohe Präzision überzeugt. Insbesondere für erfolgreiche Finanzierungsrunden liegt die Genauigkeit zwischen 64% und 68%, was eine deutliche Verbesserung gegenüber menschlichen Experten darstellt.

2. Vorhersage der Post-Money-Bewertung von Startups

Die Post-Money-Bewertung ist ein entscheidender Faktor für Investoren, um den Wert eines Startups nach einer Finanzierungsrunde zu bestimmen. Mithilfe von Algorithmen wie ElasticNet und XGBoost lassen sich die Bewertungen anhand von diversen Variablen vorhersagen.

Verwendete Daten für diese Modelle umfassen beispielsweise:

• Investitionsbetrag in vorherigen Runden: Die Höhe des investierten Kapitals.

• Anzahl der Investoren: Mehr Investoren können eine höhere Bewertung bedeuten.

• Marktsegment: Welche Branche oder welcher Sektor beeinflusst den Wert eines Unternehmens.

  
  

Durch diese Vorhersagen können sowohl Investoren als auch Startups eine realistischere Verhandlungsbasis schaffen. Der Vorteil liegt in der verbesserten Genauigkeit bei der Bewertung, was das Risiko überhöhter oder zu niedriger Bewertungen reduziert. Eine Herausforderung ist jedoch, dass Marktbedingungen schnell wechseln können und von den Modellen oft nicht vollständig erfasst werden.

Performance: XGBoost-Modelle zur Vorhersage der Post-Money-Bewertung erreichen eine Genauigkeit von ca. 90%, was eine beeindruckende Präzision für Bewertungsprognosen darstellt. Diese Modelle ermöglichen es Investoren, realistischere und fundiertere Verhandlungen zu führen.

3. Sektor-Kluster-Analyse mit Latent Dirichlet Allocation (LDA)

Um Startups effizient nach Branchen zu kategorisieren, nutzen Investoren die Sektor-Kluster-Analyse. Durch den Einsatz von Latent Dirichlet Allocation (LDA), einem Algorithmus aus der natürlichen Sprachverarbeitung, können Unternehmen basierend auf ihren Beschreibungen automatisch thematischen Clustern zugeordnet werden.

Beispiele für verwendete Daten sind:

• Produkt- und Unternehmensbeschreibungen: Textdaten aus Unternehmensprofilen oder Pressemitteilungen.

• Verwendete Keywords: Begriffe, die häufig in der Beschreibung von Unternehmen auftreten und zur Einordnung in bestimmte Sektoren führen.

  
  

Diese automatische Sektoranalyse spart Zeit und liefert Investoren eine bessere Übersicht über Markttrends und neue Branchen. Jedoch stellt die Implementierung von LDA eine Herausforderung dar, da gut strukturierte Daten und eine klare Zuordnung erforderlich sind, was bei Unternehmen mit breiterer Ausrichtung schwierig sein kann.

KI bietet enorme Potenziale, um den Investitionsprozess zu optimieren und Startups dabei zu unterstützen, besser und schneller zu wachsen. Die vorgestellten Anwendungsfälle zeigen, wie Investoren durch den Einsatz von Machine Learning und anderen KI-Technologien präzisere Entscheidungen treffen können. Dabei ist jedoch zu beachten, dass die Modelle ihre Grenzen haben, insbesondere wenn es um die Verfügbarkeit und Qualität von Daten geht. Dennoch wird KI die Zukunft von Investitionen und Unternehmensgründungen nachhaltig prägen.

Dieser Artikel basiert auf mehreren wissenschaftlichen Arbeiten. Für detailliertere Informationen sind diese hier aufgelistet:

• Arroyo, J., et al. (2019). Assessment of machine learning performance for decision support in venture capital investments. Ieee Access, 7, 124233-124243.

• Bento, F. (2017). Predicting start-up success with machine learning. (Master's thesis, Universidade NOVA de Lisboa (Portugal)).

• Ang, Y. Q., et al. (2022). Using machine learning to demystify startups’ funding, post-money valuation, and success. Springer International Publishing, 271-296.