グローバル経営の極北

グローバル経営を考える「素材」を提供します

ベンチャーキャピタルにも「機械学習」が活用されはじめている

f:id:nori76:20170702203456p:plain

 マッキンゼー・クオータリーの記事で面白いものがあったのでご紹介。Hone CapitalというシリコンバレーのベンチャーキャピタルのManaging PartnerであるVeronica Wuへのインタビューで、投資判断に「機械学習」のモデルを活用している、という点が非常に面白かった。以下に特に機械学習について話している部分を訳してみたので、ぜひ読んでみてほしい。

経験豊富なプロフェッショナルの知見や直感と機械学習のモデルを「組み合わせる」アプローチが、意思決定の質を高めてくれる、というのはベンチャーキャピタル投資に限らず経営の幅広い領域で今後の主要なアプローチになっていきそうなので、この事例はその点で参考になると思う。

マッキンゼー:機械学習モデルをどう作り上げていったかを教えてもらえますか。また、そこから得られた有益な示唆にはどういったものがありますか

Veronica Wu:過去10年の30,000件以上のディールのデータをCrunchbase, Mattermark, PitchBook Dataといったデータベースから抽出して、機械学習のモデルを作りました。そのデータをもとにシリーズAまで進んだディールを分析して400個の「特徴」を抽出。その上で、シードステージのディールの成功要因を20個選び出しました。

このモデルによって、投資家の過去のコンバージョン率、投資額合計、創業者チームのバックグラウンド、シンジケートのリード投資家の専門領域、といった要素を検討した上で、最適な投資戦略を弾き出してくれます。

例えば、シリーズAまで進むことに成功したスタートアップは、シード・ステージで平均150万ドル調達していたのに対し、失敗したスタートアップは、平均50万ドルしか調達できていませんでした。つまり150万ドルを下回る金額しか調達できなかった場合は、投資家の関心をうまく引き付けられなかった、もしくはアイディアは良くても十分な資金を得られなかった、という仮説が立てられるわけです。

 もう一つは、創業者のバックグラウンドについてです。モデルで分析してみると、創業者が異なる大学出身の方が、同じ大学出身の場合より2倍近く成功率が高かったのです。これは多様な視点が強みになる、という説を裏付けています。

 

マッキンゼー:過去に、あなたのチームは投資しないと決めたにも関わらず、データからは投資の可能性が示唆されており、改めて投資検討をした、といった事例はありますか?

 Veronica Wu:最近まさにそういったケースがありました。データは70-80%の成功率を示していたのですが、我々のチームが最初に精査した時は、そのビジネスモデルが成功するとは思えませんでした。紙の上では、そのビジネスが利益を生むとは思えなかったし、規制の問題もあった。にも関わらず、モデルは高い可能性を示している。そこで、リード投資家にこのディールについて、そのビジネスモデルを含めてもう少し詳しく聞いてみたんです。

彼が言うには、その創業者達は、規制の問題をクリアする優れた方法を考えついており、顧客獲得コストがほぼゼロで済むユニークなビジネスモデルも準備していました。その結果このディールでは、我々人間の直感や判断と、機械学習のモデルから導き出される人間ではなかなか思いつかない洞察、を組み合わせることができたわけです。データモデルをもっと使いこなすために、学ぶべきことは多い、ただ、そこに全てを任せるわけにはいかない。まさに、人間と「ツール」をどう組み合わせるかが鍵なわけです。

 

マッキンゼー:機械学習モデルを活用してどれくらいのパフォーマンスを出せていますか?

Veronia Wu:約1年ほどやってきましたが、パフォーマンスは、シードステージからシリーズAまで進めたか、という点を重要な指標として見ています。というのも、大半のスタートアップは、シードステージで「死に絶える」か、次のステージでの調達に失敗するわけで、シリーズAまで進めたか、というのはスタートアップの将来の成功を占う上で鍵となる指標なんです。

我々は2015年にシードステージだった企業に「事後分析」を行いました。VCが投資したシードステージの企業では、約16%が15ヶ月のうちにシリーズAまで進みました。一方で、我々の機械学習モデルが推奨したディールだと、約40%が次のラウンドまで進んだ、つまり市場平均に比べ2.5倍のパフォーマンスとなったんです。面白いのは、これは我々のチームが機械学習モデルなしに選んだディールと同じパフォーマンスだったことです。さらに興味深いのは、市場平均の3.5倍というベストのパフォーマンスを出したのは、我々のチームと機械学習モデルを組み合わせたケースだったことです。これによって、ベンチャーキャピタル投資に機械学習を活用することで意思決定の質を高めることができる、という私の確信を深めることができました。

 (訳文中強調は筆者)

 

 

Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎

Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎

  • 作者: Andreas C. Muller,Sarah Guido,中田秀基
  • 出版社/メーカー: オライリージャパン
  • 発売日: 2017/05/25
  • メディア: 単行本(ソフトカバー)
  • この商品を含むブログを見る