Aumentar o processo de angariação de negócios das empresas em fase de arranque

Embora o setor de capital de risco dependa muito do julgamento e dos relacionamentos humanos, há uma tendência emergente de começar a alavancar a IA e a análise generativas para apoiar os investidores em toda a jornada de investimento. O processo de terceirização de negócios se destaca como um dos processos críticos dessa jornada, dadas as baixas taxas de conversão do setor (< 1%).

A equipe de investimentos de nosso cliente tinha um plano ambicioso em relação a startups para investir nos próximos anos, o que trouxe o principal desafio de melhorar o processo atual de fornecimento de negócios. O sourcing dependia da geração de leads de entrada ou saída por meio de pesquisas de mercado, trabalhando na rede e participando de eventos para obter possíveis oportunidades de investimento. A triagem abrangeu a compreensão da adequação comercial das startups e dos critérios básicos de exclusão de passar para uma análise mais detalhada.

Ambos os processos exigiam principalmente esforços manuais, incluindo tarefas tradicionais assustadoras e demoradas, como visitar sites de startups para entender melhor seus negócios. A equipe ainda estava aproveitando algumas fontes para identificar possíveis startups, deixando um universo de empresas fora do radar. A triagem carecia de critérios claros e de uma análise estruturada das principais métricas e variáveis para priorizar empresas iniciantes (por exemplo, crescimento de FTEs, tamanho do último negócio, fundadores, investidores).

Em termos de dados e como ponto de partida, as startups com histórico de ajustes e contatos estavam em uma plataforma centralizada, mas as empresas analisadas e excluídas anteriormente foram armazenadas em vários arquivos locais.

Diante desses desafios, essa empresa de capital de risco precisava melhorar o processo atual de fornecimento de negócios e trazer uma abordagem analítica e de IA para aumentar e agilizar os esforços de fornecimento de negócios. Seria possível explorar várias fontes para identificar novas startups para abastecer o funil? A partir delas, como reunir o máximo possível de informações e métricas-chave para priorizar aquelas que devem passar pela etapa de seleção de investimentos? Além disso, é possível realizar todas essas etapas com o mínimo de esforço das equipes?

‍

Para enfrentar o desafio do nosso cliente, projetamos e implementamos uma ferramenta para apoiar a equipe de investimento a reunir startups de várias fontes, caracterizá-las com dados qualitativos e quantitativos, alavancando a licença do Pitchbook, pontuando startups e exportando resultados para uma plataforma centralizada.

A ferramenta foi desenvolvida usando IA generativa para permitir a extração e caracterização de startups e um modelo analítico para pontuar startups de acordo com um conjunto de critérios discutidos com a equipe de investimento.

A extração de startups de várias fontes de dados estruturados (por exemplo, Crunchbase) e não estruturados (por exemplo, boletins informativos do setor, sites de eventos, notícias, sites de startups) foi habilitada por um web scraper. Depois que uma grande parte do texto e das informações foi extraída dessas fontes, a IA generativa foi aplicada para resumir e estruturar o conteúdo.

Nesta fase, várias instruções são realizadas para obter informações estruturadas sobre as startups, como: breve descrição, região, indústria vertical ou horizontal, tipo de tecnologia, contribuição para os Objetivos de Desenvolvimento da Sustentabilidade (ODS), só para citar alguns. A qualidade dos resultados dessa etapa aumentou gradualmente por meio de uma melhor solicitação e melhoria contínua dos dados de entrada coletados (por exemplo, inclusão de meta descrições do Google).

A segunda etapa do modelo foi enriqueça a caracterização das startups com as principais métricas do Pitchbook. O enriquecimento do Pitchbook abrangeu as principais métricas, como: número de FTEs, tamanho do último negócio, preditor de saída, entre outras — a ferramenta é flexível o suficiente para que a equipe possa escolher cuidadosamente quais métricas adicionar ou remover ao longo do tempo.

Uma vez que as startups tenham uma caracterização completa com dados qualitativos e quantitativos, um modelo de pontuação analítica é aplicado para avaliar a atratividade das startups. Para este propósito, sVários critérios são usados, com pesos diferentes de acordo com dados históricos e de mercado. Nesta fase os investidores recebem uma lista de startups classificadas por sua atratividade para que possam prosseguir com a etapa de seleção de investimentos.

‍

Para que a equipe de investimentos do nosso parceiro use a ferramenta de forma autônoma, uma interface simples foi criada, garantindo não apenas facilidade de uso, mas também flexibilidade (por exemplo, a equipe pode escolher as fontes para pesquisar startups, campos a serem caracterizados, critérios para alimentar a pontuação do modelo analítico).

A ferramenta se tornou parte do processo de aquisição de negócios da equipe de investimento que regularmente busca novas startups por meio de várias fontes e analisa os resultados da triagem.

O guia de ferramentas desenvolvido e as sessões de treinamento realizadas com a equipe foram fundamentais para garantir a adoção pela equipe.

A ferramenta aumentou com sucesso os esforços de terceirização de negócios, identificando e avaliando aproximadamente 3 vezes mais startups em comparação com a linha de base.

Além disso, contribuiu para um aumento notável na eficiência, simplificando tarefas anteriormente demoradas que se tornaram etapas de “um clique”, simplificando a recuperação das descrições da empresa e das principais métricas. Essa automação não só economiza tempo, mas também garante que informações cruciais estejam prontamente disponíveis para avaliação.

Finalmente, a ferramenta desempenhou um papel fundamental na melhoria do processo de tomada de decisão da equipe de investimento. A incorporação de um sistema de pontuação facilita uma avaliação mais objetiva dos investimentos potenciais.

‍