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

Slides:



Advertisements
Hasonló előadás
ITE az innovatív Tudás Egyeteme az Innováció Innovációja Innovatív kérdések és válaszok a fenntartható gazdasági, társadalmi, környezeti-ökológiai, kulturális.
Advertisements

Készítette: Zrufkó Viktória Turizmus- vendéglátás, Levelező tagozat
Gazdasági Informatika Tanszék
Társadalmi haszon az adatok mélyén Surján László, gazdasági igazgató, IQSYS Sipos Ferenc, BI ágazatvezető, IQSYS.
Online hasonlóságelemzések: Inkonzisztenciák feltárása különböző földérték- kategóriák kapcsán Pitlik László, SZIE Gödöllő (Forrás: my-X.hu Hírlevél) 2007.
Készítette / Author: Tuska Katalin
Non-profit szervezetek bevételi szerkezetének elemzése.
1 A magyar gazdaság helyzete, perspektívái 2008 tavaszán Dr. Papanek Gábor Előadás Egerben május 7.-én.
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
Piac és Profit Pénzünknél maradva! Követeléskezelés eredményesen! Megbízható partnerállomány és követeléskezelés az Opten segítségével!
Csökkentse a nemfizetés kockázatát az Opten segítségével!
Piac és Profit Csökkentse a nemfizetés kockázatát az Opten segítségével!
Online hasonlóságelemzések: Online hasonlóságelemzések: Tapasztalatok árfolyamok előrejelzésekor ad hoc kérdések és inputok alapján Pitlik László, SZIE.
Készítette: Fazekas Boglárka
Gyanúgenerálás HR-kockázatok minimalizálása érdekében hasonlóságelemzéssel Pitlik László SZIE Gödöllő, Gazdaság- és Társadalomtudományi Kar, TATA Kiválósági.
A szakdolgozat készítés minőségirányítási aspektusai
Online hasonlóságelemzések: Online hasonlóságelemzések: Tapasztalatok (kukorica) hozamfüggvények levezetése kapcsán Pitlik László, SZIE Gödöllő (Forrás:
Online hasonlóságelemzések: Online hasonlóságelemzések: Tapasztalatok elítéltek képzésének engedélyezése kapcsán Pitlik László, SZIE Gödöllő (Forrás: My-X.hu.
Pitlik László, SZIE Gödöllő (Forrás: My-X.hu Hírlevél) augusztus
SZENT ISTVÁN EGYETEM GAZDASÁG- ÉS TÁRSADALOMTUDOMÁNYI KAR TUDOMÁNYOS DIÁKKÖRI KONFERENCIA NOVEMBER 24. Készítette: Batár Ádám.
Hozam-előrejelzés a gabonatermesztésben
Bázisérték, monitoring avagy szemléletváltás a vidékfejlesztési döntések előkészítésében Pitlik László, Horváth Henrietta, SZIE Gödöllő 9. MY-X szeminárium:
Online hasonlóságelemzések: Online hasonlóságelemzések: Az érdekvédelem és az emberi erőforrásokkal való gazdálkodás matematikája, avagy ez mind-mind hasonlóságelemzés!
Evapotranspiráció elõrejelzése mesterséges neuronális halózatok segitségével Wójcicki Andrzej, GTK V. konzulens: Dr. Pitlik László Gazdasági Informatika.
Szent István Egyetem Gazdaság- és Társadalomtudományi Kar TATA Kiválósági Központ és Informatikai Intézet XXX. Jubileumi OTDK Közgazdaságtudományi Szekció.
FPAD alapú neuron modellek Ormos László Miskolci Egyetem Villamosmérnöki Intézet Automatizálási Tanszék.
Piac és Profit Csökkentse a nemfizetés kockázatát az OPTEN segítségével!
Mesterséges Intelligencia Alapjai II. beadandó Orosz György – Vörös Gyula – Zsiák Gergő Pál.
Mesterséges Intelligencia Alapjai II. beadandó Orosz György – Vörös Gyula – Zsiák Gergő Pál.
Matematikai statisztika Készítették: Miskoltzy Judit Sántha Szabina Szabó Brigitta Tóth Szabolcs Török Tamás.
Matematikai statisztika Készítették: Miskoltzy Judit Sántha Szabina Szabó Brigitta Tóth Szabolcs Török Tamás.
Matematikai statisztika Készítették: Miskoltzy Judit Sántha Szabina Szabó Brigitta Tóth Szabolcs Török Tamás Marketing Msc I. évf., I. félév, levelező.
Többváltozós adatelemzés
Mesterséges intelligencia az információbiztonság szolgálatában GOP /A ITBSZM Mesterséges intelligencia az információbiztonság szolgálatában.
Hurrá, nyertünk! Karádi István Karádi Rendszerház.
Piac és Profit Csökkentse a nemfizetés kockázatát az OPTEN segítségével!
Az ötlettől a nemzetközi piacig Jó tanácsok startupok külföldi terjeszkedéséhez Mindent jóra fordítunk.
PÉNZÜGYI MENEDZSMENT 4. Dr. Tarnóczi Tibor PARTIUMI KERESZTÉNY EGYETEM
Kutatási beszámoló 2002/2003 I. félév Iváncsy Renáta.
1 Szervezet és minőség 2. előadás 1. 2 Az előadás tartalmi elemei Alapfogalmak A minőségfejlesztés jogszabályi háttere Minőségfejlesztési megközelítések.
„Virtuális Genom Projekt” Richnovszky Ádám – menedzsment Pitlik László (PhD) – tudásmérnökség Szöllössy Dániel – forráskutatás Kócs Róbert – rendszerszervezés.
FELSŐOKTATÁSI INTÉZMÉNYEK ONLINE MARKETING MULTIKULTURÁLIS ASPEKTUSAINAK FELTÁRÁSA MULTIKULTURALITÁS A XXI. SZÁZADBAN TUDOMÁNYOS KONFERENCIA
M ILYEN KULTURÁLIS TÉNYEZŐK LEHETNEK HATÁSSAL AZ USA TAGÁLLAMAINAK MOZGÁSTUDATOSSÁGÁRA ? II. RÉSZ - HATÁSMECHANIZMUSOK Horváth Mónika, Pitlik László SZIE.
Az Internet-felhasználás területi egyenlőtlenségeinek előrejelzése Magyarországon VIII. Fiatal Regionalisták konferenciája Győr, Készítette: Zsom.
 Rosling - vizualizáció multikulturális jelenségek esetén Rosling - animations in case of multicultural phenomena Pitlik László SZIE MY-X kutatócsoport.
And what else?... Leszakadó gyerekek.
Érdemes – e Magyarországra hozni egy nemzetközi rendezvényt
Innováció, big data, adatbányászat (Pitlik László, SZIE/INNOREG KMRIÜ)
SZIE GTK TTI KFI-csoport
Start-up vállalkozások kommunikációjának
Milovecz Ágnes–PTE KTK Király Ágnes–PTE KTK Poór József–SJE GTK
 Generációk együttműködése az oktatásban, avagy a generációk együttműködésére/együttmozgására utaló jelek tetten érése a Google Trends adatbázisa alapján.
Integrált ügyfél-kommunikáció a weben
A nagyvárosok, mint az európai térszerkezet kitüntetett pontjai
APEH Észak-magyarországi Regionális Igazgatósága Igazgató
(Informatikus mérnök szakra)
Milyen kulturális tényezők lehetnek hatással az USA tagállamainak mozgástudatosságára? I. rész – szimuláció / Békéscsaba (II. rész – hatásmechanizmusok.
Pitlik László, Szani Ferenc, Balogh Anikó
Vízgazdálkodási adatok szemléletformáló adat-vizualizációja az optimumtól való eltérés alapján Pitlik Marcell Hlavay József  Országos Környezettudományi.
Az Európai Unió tagországainak, a csatlakozásra váró országoknak
Üzleti intelligencia megoldások, avagy vezetői döntéstámogatás (XXI.)
MULTIKULTURALITÁS A XXI. SZÁZADBAN TUDOMÁNYOS KONFERENCIA
 Rosling - vizualizáció multikulturális jelenségek esetén Rosling - animations in case of multicultural phenomena Pitlik László SZIE MY-X kutatócsoport.
Szani Ferenc, Pitlik László, Balogh Anikó
Oktatás-Informatika-Pedagógia konferencia (OIP 2018)
Rosling-animációk didaktikai potenciálja a tanításban/tanulásban
(SZIE MY-X, ELTE TTK, ELTE IK, BME GPK)
A leíró statisztikák alapelemei
Szűcs Imre - Dr. Pitlik László (OTKA T049013)
TUDOMÁNYOS KONFERENCIA
Előadás másolata:

Startup felvásárlások multikulturális hátterének elemzése, avagy mesterséges intelligencia alapú ellenőrzőszámítás diszkriminancia-elemzéshez Barta Gergő, Pitlik lászló SZIE, MY-X kutatócsoport 2017. 05. 12 III. Multikulturalitási Konferencia, Gödöllő

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

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)

Big data a startup-okról https://data.crunchbase.com/v3/docs/excel-export 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

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

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

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

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

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

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

Szignifikancia-vizsgálatok Diszkriminancia-elemzés Neurális háló modell Hasonlóságelemzés

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

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

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

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

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

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

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

Neurális hálók

Neurális hálók

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%

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

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%.

Irodalomjegyzék [1] https://data.crunchbase.com/v3/docs/excel-export [2] https://trends.google.hu/trends/explore?date=all&q=Enterprise%20Software,Fintech,Cloud %20Services [3] Robehmed N. (2013): What Is A Startup? Letöltve: www.forbes.com, http://www.forbes.com/sites/natalierobehmed/2013/12/16/what-is-a-startup /#1e23b2714c63 [4] Harbert T. (2014): Competing with Two Guys in a Garage. Letöltve: www.rewrite.ca.com, http://rewrite.ca.com/us/articles/application-economy/com peting-with-two-guys-in-a-garage.html [5] Magyar Startup Közösség (2016): Mi az a Startup? Letöltve: http://magyar-startup-kozosseg.hu/

Köszönjük a megtisztelő figyelmet! Email: Barta.Gergo@phd.uni-szie.hu & pitlik@miau.gau.hu http://miau.gauhu/miau/225/Startup_multikulti.pptx