Our AI-generated summary
Our AI-generated summary
Si bien la industria del capital de riesgo depende en gran medida del juicio y las relaciones humanas, existe una tendencia emergente a empezar a aprovechar la inteligencia artificial generativa y la analítica para ayudar a los inversores a lo largo de todo el proceso de inversión. El proceso de búsqueda de acuerdos es uno de los procesos críticos de este viaje, dadas las bajas tasas de conversión de la industria (< 1%).
El equipo de inversiones de nuestro cliente tenía un plan ambicioso con respecto a las nuevas empresas que invertirían en los próximos años, lo que supuso el desafío clave de mejorar el proceso actual de contratación de operaciones. El abastecimiento dependía de la generación de clientes potenciales entrantes o salientes mediante la investigación de mercado, el trabajo en red y la asistencia a eventos para encontrar posibles oportunidades de inversión. La evaluación consistió en comprender la idoneidad empresarial de las empresas emergentes y los criterios básicos de exclusión para pasar a un análisis más detallado.
Ambos procesos requerían principalmente un esfuerzo manual, incluidas las tareas tradicionales desalentadoras y lentas, como visitar los sitios web de las empresas emergentes para comprender mejor su negocio. El equipo seguía aprovechando algunas fuentes para identificar posibles empresas emergentes, lo que dejaba a un universo de empresas fuera del radar. La selección carecía de criterios claros y de un análisis estructurado de las métricas y variables clave para dar prioridad a las empresas emergentes (por ejemplo, el crecimiento de las empresas a tiempo completo, el tamaño de la última operación, los fundadores o los inversores).
En términos de datos y como punto de partida, las startups con historial de ajustes y contactos estaban en una plataforma centralizada, pero las empresas previamente analizadas y excluidas se almacenaban en varios archivos locales.
Dados estos desafíos, esta empresa de capital riesgo necesitaba mejorar el proceso actual de contratación e incorporar un enfoque analítico y de inteligencia artificial para aumentar y agilizar los esfuerzos de contratación de ofertas. ¿Sería posible explorar múltiples fuentes para identificar nuevas empresas que alimenten el embudo? A partir de ellas, ¿cómo recopilar la mayor cantidad posible de información y métricas clave para priorizar las que deberían pasar por la etapa de selección de inversiones? Además, ¿es posible realizar todos estos pasos con el mínimo esfuerzo de los equipos?
Para abordar el desafío de nuestros clientes, diseñamos e implementamos una herramienta para ayudar al equipo de inversión a recopilar nuevas empresas de varias fuentes, caracterizarlas con datos cualitativos y cuantitativos aprovechando la licencia de Pitchbook, puntuar a las nuevas empresas y exportar los resultados a una plataforma centralizada.
La herramienta se desarrolló utilizando IA generativa para permitir la extracción y caracterización de las nuevas empresas y un modelo analítico para puntuar a las nuevas empresas, dado un conjunto de criterios discutidos con el equipo de inversión.
La extracción de nuevas empresas de múltiples fuentes de datos estructurados (por ejemplo, Crunchbase) y no estructurados (por ejemplo, boletines de la industria, sitios web de eventos, noticias, sitios web de empresas emergentes) se permitió mediante un raspador web. Una vez que se extrajo la mayor parte del texto y la información de estas fuentes, se aplicó la IA generativa para resumir y estructurar los contenidos.
En esta etapa, se realizan varias instrucciones para obtener información estructurada sobre las nuevas empresas, tales como: descripción breve, región, industria vertical u horizontal, tipo de tecnología, contribución a los Objetivos de Desarrollo Sostenible (ODS), solo por nombrar algunos. La calidad de los resultados de esta fase aumentó gradualmente gracias a una mejor orientación y a la mejora continua de los datos de entrada recopilados (por ejemplo, la inclusión de las metadescripciones de Google).
El segundo paso del modelo fue enriquece la caracterización de las startups con métricas clave de Pitchbook. El libro de presentación incluyó métricas clave, como el número de operaciones a tiempo completo, el tamaño de la última operación, el indicador de salida, entre otras. La herramienta es lo suficientemente flexible como para que el equipo pueda elegir cuidadosamente qué métricas añadir o eliminar con el tiempo.
Una vez que las empresas emergentes tienen una caracterización exhaustiva con datos cualitativos y cuantitativos, se aplica un modelo de puntuación analítica para evaluar el atractivo de las empresas emergentes. Para ello,Se utilizan varios criterios, que tienen diferentes ponderaciones según los datos históricos y de mercado. En esta etapa los inversores reciben una lista de nuevas empresas clasificadas según su atractivo para que puedan continuar con la etapa de selección de inversiones.
Our AI-generated summary
Our AI-generated summary
Para que el equipo de inversión de nuestro socio utilice la herramienta de forma autónoma, se creó una interfaz sencilla que garantiza no solo la facilidad de uso sino también la flexibilidad (por ejemplo, el equipo puede elegir las fuentes para buscar nuevas empresas, los campos a caracterizar y los criterios para impulsar la puntuación del modelo analítico).
La herramienta pasó a formar parte del proceso de contratación del equipo de inversiones. que busca regularmente nuevas empresas a través de múltiples fuentes y analiza los resultados de la selección.
La guía de herramientas desarrollada y las sesiones de capacitación realizadas con el equipo fueron fundamentales para garantizar la adopción por parte del equipo.
La herramienta aumentó con éxito los esfuerzos de búsqueda de acuerdos, identificando y evaluando aproximadamente 3 veces más empresas emergentes en comparación con la línea de base.
Además, ha contribuido a un aumento notable de la eficiencia, simplificando las tareas que antes consumían mucho tiempo y que se convertían en pasos con un solo clic, simplificando la recuperación de las descripciones de la empresa y las métricas clave. Esta automatización no solo ahorra tiempo, sino que también garantiza que la información crucial esté disponible para su evaluación.
Por último, la herramienta ha desempeñado un papel fundamental a la hora de mejorar el proceso de toma de decisiones del equipo de inversión. La incorporación de un sistema de puntuación facilita una evaluación más objetiva de las posibles inversiones.
Finalmente, todas las startups analizadas se exportan a una plataforma centralizada que permite construir gradualmente una base de datos estructurada que incluya a las startups que se adaptan, pero también a las excluidas y con el motivo de esa elección identificado.