Startup felvásárlások multikulturális hátterének elemzése, avagy mesterséges intelligencia alapú ellenőrzőszámítás diszkriminancia-elemzéshez Barta Gergő,

Az előadások a következő témára: "Startup felvásárlások multikulturális hátterének elemzése, avagy mesterséges intelligencia alapú ellenőrzőszámítás diszkriminancia-elemzéshez Barta Gergő,"— Előadás másolata:

1 Startup felvásárlások multikulturális hátterének elemzése, avagy mesterséges intelligencia alapú ellenőrzőszámítás diszkriminancia-elemzéshez Barta Gergő, Pitlik lászló SZIE, MY-X kutatócsoport III. Multikulturalitási Konferencia, Gödöllő

2 Tartalomjegyzék Az elemzés objektuma a startup
Big data a startup-okról Leíró statisztikák Szignifikancia-vizsgálatok Összefoglalás Irodalomjegyzék

3 Az elemzés objektuma a startup
„a startup nem más, mint egy olyan szervezet, amely olyan problémák megoldásán dolgozik, ahol a megoldás nem nyilvánvaló, és a siker nem garantált" (Robehmed, 2013) "startup az a szervezet, ahol az emberek folyamatosan fontolóra veszik azt a döntést, hogy megéri-e feladni a stabil állásukat, egy olyan cégért, ahol a siker nem biztosított, de lehetséges a hatalmas növekedés és a gyors hatás elérése" (Robehmed, 2013) "a startup tulajdonképp két srác egy garázsban, és nagyon dolgoznak valamin" (Harbert, 2014) a startup "tipikusan egy induló mikro-, vagy kisvállalkozás, amely innovatív ötletet valósít meg, lépésről lépésre halad a termékfejlesztésben és piacra vezetésben, tőkebefektetésre vár és nagyra tör" (Magyar Startup Közösség, 2016)

4 Big data a startup-okról
Összesen: 140, 000 startup cégadat Alapítás éve Finanszírozási adatok Földrajzi adatok Működési adatok (státusz, profil stb.) Összesen: 40, 000 startup felvásárlásról adat Felvásárló Felvásárlási tranzakció pénzügyi adatai Felvásárló földrajzi adatai Több ezer hiányzó vagy rosszul kitöltött adat, ezért az adattisztítás súlya jelentős

5 Leíró statisztikák Startup felvásárlások (db)
Legnagyobb felvásárlások az elmúlt 3 évben (db) Legnépszerűbb felvásárolt cégprofilok (%) Felvásárlások országonként (%) Érdeklődési trend az elemzés alapjául szolgáló kiválasztott startup kategóriákban

6 Startup felvásárlások (db)
Forrás: [1] *2017. május 1-jével bezárólag

7 Legnagyobb felvásárlók az elmúlt 3 évben (db)
Forrás: [1] *2017. május 1-jével bezárólag

8 Legnépszerűbb felvásárolt cégprofilok (%)
Forrás: [1] *2017. május 1-jével bezárólag

9 Felvásárlások országonként (%) USA és USA nélkül
Forrás: [1] *2017. május 1-jével bezárólag

10 Érdeklődési trend a kiválasztott kategóriákban
Forrás: [2] *2017. május 1-jével bezárólag

11 Szignifikancia-vizsgálatok
Diszkriminancia-elemzés Neurális háló modell Hasonlóságelemzés

12 Kategória adatok* Forrás: saját számítások
Startup kategóriák Átlagos finanszírozási körök (db) Átlagos egy főre jutó finanszírozás értéke (1000USD) Átlagosan eltelt napok száma az alapítás és felvásárlás között Átlagosan eltelt napok száma az első finanszírozás és a felvásárlás között Átlagosan eltelt napok száma az utolsó finanszírozás és felvásárlás között Átlagosan eltelt napok száma az alapítás és az első finanszírozás között Átlagosan eltelt napok száma az alapítás és utolsó finanszírozás között Enterprise Software 2.89 634 2,549 1,627 753 922 1,796 Cloud Services 2.64 264 2,295 1,470 669 826 Fintech 2.44 318 2,232 1,528 888 704 1,344 Összesen/Átlagosan 2.72 444 2,400 1,553 748 848 1,652 Kategória-hatás szignifikáns nem szignifikáns Forrás: saját számítások *Ez nem vonatkozik páronként a kategóriátlagokra

13 Diszkriminancia-elemzés
Z = a0 + a1 X1 + a2 X2 + a3 X an Xn ahol: a0 = konstans, a1, a2, a3, ... an = diszkrimináló koefficiensek, X1, X2, X3, ... Xn = független változók

14 Felvásárláselemzés - Ország-azonosság
Felvásárlás (ország-azonosság) Becslés Összesen -1 1 Teljes adathalmaz db (tény) 91 54 145 274 333 607 % 63% 37% 100% 45% 55% USA kizárásával 47 34 81 10 11 21 58% 42% 48% 52% Forrás: saját számítások

15 Felvásárláselemzés – kontinens-azonosság
Felvásárlás (kontinens-azonosság) Becslés Összesen -1 1 Teljes adathalmaz db (tény) 69 36 105 297 350 647 % 66% 34% 100% 46% 54% USA kizárásával 22 25 47 16 39 55 47% 53% 29% 71% Forrás: saját számítások

16 Felvásárláselemzés – nyelv-azonosság
Felvásárlás (nyelv-azonosság) Becslés Összesen -1 1 Teljes adathalmaz db (tény) 44 43 87 257 408 665 % 51% 49% 100% 39% 61% USA kizárásával 27 14 41 32 29 61 66% 34% 52% 48% Forrás: saját számítások

17 Felvásárláselemzés – pénznem-azonosság
Felvásárlás (pénznem-azonosság) Becslés Összesen -1 1 Teljes adathalmaz db (tény) 62 80 142 218 392 610 % 44% 56% 100% 36% 64% USA kizárásával 44 34 78 11 13 24 46% 54% Forrás: saját számítások

18 Felvásárláselemzés – Vallás-azonosság
Felvásárlás (vallás-azonosság) Becslés Összesen -1 1 Teljes adathalmaz db (tény) 17 16 33 269 450 719 % 52% 48% 100% 37% 63% USA kizárásával 9 4 13 24 65 89 69% 31% 27% 73% Forrás: saját számítások

19 Neurális hálók

20 Neurális hálók

21 Neurális háló felvásárláselemzés – ország-azonosság
Tanulási ráta: 0.1 Rejtett neuronok: 30 Epoch: 3 Felvásárlás (ország-azonosság) Becslés Összesen -1 1 USA kizárásával db (tény) 81 18 3 21 % 100% 0% 86% 14%

22 Hasonlóságelemzés Felvásárláselemzés – ország azonosság
Felvásárlás (ország-azonosság) Becslés Összesen -1 1 USA kizárásával db (tény) 81 19 2 21 % 100% 0% 90% 10%

23 Összefoglalás A kategóriák (cégprofilok) hatása zömmel szignifikáns volt a stratup-mutatók tekintetében, de a kategória nem értelmezhető kulturális jelenségként diszkriminancia-elemzéssel. Neurális hálók alkalmazásával és annak finomhangolásával történt a legpontosabb előrejelzés, mely értéke 82%.

24 Irodalomjegyzék [1] https://data.crunchbase.com/v3/docs/excel-export
[2] %20Services [3] Robehmed N. (2013): What Is A Startup? Letöltve: /#1e23b2714c63 [4] Harbert T. (2014): Competing with Two Guys in a Garage. Letöltve: peting-with-two-guys-in-a-garage.html [5] Magyar Startup Közösség (2016): Mi az a Startup? Letöltve:

25 Köszönjük a megtisztelő figyelmet!
&