El nuevo oráculo
Durante el último año, según la National Venture Capital Association (NVCA), las startups vinculadas a la IA levantaron $18.5b, tan solo en Estados Unidos, en un afán de potenciar su poder transformativo del que muy pocas industrias han escapado. Sin embargo, la gran mayoría de fondos de capital riesgo, siguen invirtiendo de manera tradicional en estas compañías, sin apalancarse en las capacidades que la IA puede ofrecer, basadas en una aproximación algorítmica a la tesis de inversión.
Las ventajas que aporta dicha metodología son tangibles. Desde un potencial mayor retorno de la inversión, hasta una mejora en eficiencia al optimizar los recursos humanos del fondo, pasando por una minimización del sesgo de género al que se enfrenta la industria. Según CrunchBase, el año pasado, las startups fundadas por mujeres levantaron más de $5b, sin embargo de cada $100 invertidos sólo $3 fueron para startups lideradas por mujeres.
A fecha de hoy, diversos estudios han identificado las características comunes que reúnen las compañías de éxito haciendo posible conocer la probabilidad de que una empresa elegida de manera aleatoria triunfe. Por ejemplo, Ali Tamaseb, partner de DCVC, analizó a finales de 2018 las 195 compañías con valoración superior al $1b que se habían creado desde 2005 en Estados Unidos.
Tamaseb destacó aspectos como que el 65% de dichas compañías tenían entre 2 y 3 co-founders, que más de la mitad de CEOs tenían más de 35 años y el 50% de ellos acumulaba más de 10 años de experiencia o que casi el 60% habían tenido alguna experiencia emprendiendo anteriormente.
¿Entonces, por qué no crear un algoritmo que nos permita identificar las compañías que cumplen con dichos parámetros?
Esto es exactamente lo que quisieron demostrar David Scott y Tauhid Zaman, ambos investigadores del MIT en un estudio publicado en 2018 bajo el nombre Picking Winners: A Big Data Approach To Evaluating Startups And Making Venture Capital Investments.
La metodología que aplicaron fue la siguiente: recabaron información de 83.000 compañías a partir de bases de datos como CrunchBase o Pitch Book y la correlacionaron con información procedente de LinkedIn, de donde obtuvieron el perfil de los fundadores y empleados de dichas compañías; incluyendo tanto su experiencia profesional como su background educacional. A partir de aquí establecieron una correlación positiva entre aquellos perfiles con mayor experiencia y la solidez de las compañías en las que trabajaban dichas personas.
Si bien esto pudiera parecer evidente, dado que todo fondo que se precie analiza al equipo directivo, el secreto reside en cómo el algoritmo mide variables como: la experiencia del fundador en comparación a cómo los inversores lo miden en el mundo real. En el último caso, es probable que la experiencia se mida de manera más cualitativa e intuitiva mientras el algoritmo empleará únicamente datos cuantitativos.
Aplicando la metodología descrita a otros factores, tales como los fondos levantados o el perfil de los inversores, elaboraron un modelo predictivo de inversión: Al simular la composición de un portfolio creado únicamente a partir de las recomendaciones algorítmicas, demostraron un 60% de exit rates: Casi el doble de lo que ofrecen los mejores VCs.
Y si es tan sencillo…. ¿Por qué no se implementa esta metodología en los fondos?
Se está intentando. Sin embargo, existen ciertas limitaciones.
La principal dificultad es el acceso a los datos. ¿Cómo se obtienen las características y las métricas de cada compañía al ser información privada? Una opción sería la utilizada por Scott y Zaman en su investigación, basada en la búsqueda de información acerca de las startups a través de bases de datos. El problema es que las métricas y los datos compartidos pueden no ser aquellos que queramos imputar en nuestro modelo, no estar disponibles, que sean incompletos o que la información no esté actualizada.
Otra opción sería sentarse con cada uno de los emprendedores en los que potencialmente querríamos invertir y reunir todos estos inputs a partir de las entrevistas personales. Este approach es sin duda el mejor a la hora de obtener datos precisos y actualizados dado el acceso a la fuente a quién poder preguntar aquello que quieras. Sin embargo, es poco viable, dado el tiempo necesario para construir una base de datos significativa de forma presencial.
Una tercera forma de acceder a dichos datos sería que las compañías respondieran a cuestionarios de los fondos de forma recurrente o que los fondos obtuvieran la información en tiempo real a través de una API que exportara métricas de softwares de analytics/reporting.
A pesar de las limitaciones descritas existen diversos fondos que han empezado ha sacar partido de las ventajas que la IA puede ofrecer.
“Tenemos acceso al mayor conjunto de datos que puedas imaginar; nuestra infraestructura de cloud computing es la más grande de la historia. Sería una tontería salir y hacer inversiones guiadas por el instinto”
¿Adivináis de quien podrían ser estas declaraciones? Son palabras de Bill Maris, fundador de Google Ventures, en una entrevista en el New York Times en 2013.
Como no podría ser de otra forma, Google, lleva años trabajando en lo que se conoce como “The Machine”. El algoritmo trabaja mayoritariamente en procesos de due dillienge y utiliza variables como el tamaño de la ronda, el perfil de inversores previos o la diferencia entre la última valoración y la actual. Acto seguido, clasifica las compañías en una escala de 10 puntos y traduce dicha puntuación en tres colores: verde, amarillo y rojo.
Existe cierta polémica sobre si el algoritmo debe funcionar como un soporte al comité de inversión o si debe ser él quien tome las decisiones. En diversas ocasiones se ha rumoreado sobre el hecho de que GV confía demasiado en su algoritmo en lugar de en el conocimiento y la intuición de sus partners.
Otro ejemplo sería el de EQT Ventures, bajo el nombre de Motherbrain, su algoritmo ayuda a identificar y priorizar inversiones.
Henrik Landgren, partner en EQT Ventures declaraba, en una entrevista a ZD Net el pasado año, que aun es demasiado pronto para asegurar que el uso de Motherbrain haya mejorado los retornos de inversión, sin embargo, Landgren destaca diversas ventajas, entre ellas, el número de compañías que pueden analizar en un mismo año gracias al aumento de capacidad proporcionada por el algoritmo.
También me gustaría mencionar el caso de Hone Capital. Verónica Wu, fue la persona encargada de lanzar el primer vehículo de inversión de CSC Group en Silicon Valley.
Desde Hone Capital, crearon un modelo predictivo partiendo de una base de datos de más de 30K deals. Analizaron 400 características de cada compañía y llegaron a la conclusión de que 20 de ellas influían positivamente en su futuro. Identificaron, por ejemplo, que dos fundadores de diferentes universidades tienen el doble de probabilidades de tener éxito que aquellos con fundadores de la misma universidad. Basándose en estos datos, su modelo genera recomendaciones para cada deal que analizan.
Por último, también encontramos a terceros agentes ofreciendo softwares tanto a fondos como a corporates ayudándoles a identificar y analizar compañías utilizando IA, aunque esto nos da para otro artículo…
Estamos viviendo los primeros años de la inversión algorítmica en capital riesgo, con la obtención de datos como principal escollo y lejos de ver el impacto real en retorno de inversión. Sin embargo, esta tendencia ha venido para quedarse. Por el momento está ayudando a los gestores, quién sabe si les pondrá en jaque en un futuro.
