Como o uso de dados está potencializando as análises e decisões de investimentos dos fundos de capital de risco
As equipe de dados estão se tornando uma parte essencial de muitas empresas de capital de risco. Assinar um feed de dados ou uma plataforma de análises dá uma grande vantagem aos fundos de investimentos para aportar recursos em startups e outras empresas.
Principalmente no âmbito internacional, os fundos de capital de risco (VCs) estão investindo pesado todos os anos em infraestrutura e equipes de dados. Alguns contratam cientistas e engenheiros de dados internos, outros contratam empresas ou consultorias externas. Há quem crie ferramentas de software personalizadas ou contratem plataformas de provedores de serviços emergentes.
De forma geral, esses VCs usam aprendizado de máquina e modelos de IA para diversos aspectos do negócio como due diligence, sourcing, pontuação e suporte a startups e para levantamento de capital. Eles também usam para descobrir tendências e reunir informações de inteligência de mercado que embasem tomadas de decisões. Nada disso pretende substituir os VCs na escolha de oportunidades de investimento, mas aumentar as oportunidades e superar as decisões tomadas por instinto, gosto pessoal e quaisquer outros vieses humanos.
Três usos de dados para capital de risco
Na visão de Katrina Walter, economista e produtora de conteúdo australiana, a ampla disponibilidade de dados pode ajudar os investidores, basicamente, a responder a três perguntas cruciais: Onde estão as melhores empresas? Vai dar retorno? Quais KPIs devem ser monitorados?
Onde estão as melhores empresas
Embora o instinto de reconhecimento de grandes investimentos geralmente seja desenvolvido ao longo de anos de experiência, os investidores podem melhorar seu processo de reconhecimento usando dados para analisar uma variedade de ecossistemas. Por exemplo, a norte-americana Hone Capital criou um modelo de aprendizado de máquina e usa os dados disponíveis de fontes como Crunchbase.
Com base em critérios de investimento específicos, um VC como o Hone Captial pode navegar em fontes de dados públicas e privadas para identificar e recomendar os melhores negócios de seed. Seguindo esse modelo, a Hone Capital aumentou o fluxo de negócios em até 20 negócios por semana. Contando com processos semelhantes, os VCs experimentaram uma melhoria significativa na diversidade e na qualidade dos leads adquiridos.
Vai dar retorno?
As técnicas de modelagem preditiva podem ajudar os investidores a comparar seus instintos com os fatos. A modelagem preditiva avalia vários fatores que preveem a probabilidade de sucesso de uma startup. Isso funciona da mesma forma que uma pontuação de crédito é calculada atribuindo notas a uma variedade de atributos ou fatores. Alguns exemplos de ideias que ajudam a determinar se uma empresa tem probabilidade de prosperar são:
Histórico da equipe: critérios para histórico educacional, histórico de empregos e experiência empreendedora, especialmente se a equipe de gestão tiver formação relevante na área. Os dados mostram, por exemplo, que uma startup com dois fundadores de universidades diferentes tem duas vezes mais chances de sucesso do que aquelas com fundadores da mesma universidade.
Financiamento: uma métrica de desempenho importante é se uma empresa irá levantar uma rodada adicional de financiamento, do estágio inicial para a série A. Um investimento inicial de pelo menos US$ 1,5 milhão é um indicador inicial do sucesso futuro de uma empresa. Aqueles com menos de US$ 1,5 milhão tendem a não levantar o financiamento adicional necessário para ter sucesso.
Pegada digital: Provavelmente, a fonte mais ampla de informações, especialmente para empresas B2C, é a pegada digital de uma empresa. Twitter, Facebook, tráfego da web e assim por diante podem fornecer informações úteis para investidores. Ao identificar palavras-chave que expressam sentimentos positivos ou negativos, um fundo pode classificar quantitativamente o sentimento público de cada empresa.
Informações financeiras: as análises permitem que os VCs examinem as fontes financeiras tradicionais e descubram insights nos relatórios do banco central e nos demonstrativos de lucros da empresa.
Quais KPIs devem ser monitorados na empresa-alvo?
Depois que um VC faz um investimento, estabelece benchmarks para monitorar seu desempenho. Apesar dos critérios variarem muito e serem objeto de grande disputa, é relativamente simples determinar o valor de uma empresa pelos métodos tradicionais de fluxo de caixa descontado. No entanto, os fundos estabelecem métricas específicas para seus investimentos iniciais. Isso permite que fiquem de olho nos números significativos para ter certeza de que o negócio está indo na direção certa. Dessa forma, o VC pode diagnosticar e resolver rapidamente quaisquer problemas potenciais antes que se tornem problemas reais. Os mais comuns indicadores-chave de desempenho (KPIs) podem incluir:
-
MMR: Receita Mensal Recorrente
-
CMMR: receita recorrente mensal comprometida
-
ARR: receita recorrente anual
-
ARRR: receita anual da taxa de execução
-
Crescimento da receita recorrente
-
LTV: valor vitalício do cliente
-
CAC: Custos de Aquisição do Cliente
-
Período de reembolso do custo de aquisição do cliente
-
Rotatividade de clientes: Bruto e líquido
-
Taxas de conversão: funil de vendas; Conversão de site; etc.
Todas essas métricas indicam essencialmente a consideração principal: retorno sobre o investimento (ROI). Quanto maior o número na equação de ROI, mais dinheiro um VC ganhará para cada dólar ou real investido.
O case da CB Insights
Um exemplo do uso de dados nesta área é a CB Insights, uma plataforma de inteligência do mercado de tecnologia que analisa milhões de pontos de dados sobre capital de risco, startups, patentes, parcerias e menções em notícias para ajudar os fundos de investimentos a ver as melhores oportunidades de negócio.
A plataforma possui uma série de funcionalidades e a novidade mais recente foi lançada em setembro de 2021 e se chama Management Mosaic. É um algoritmo que desmistifica a qualidade dos fundadores e gestores de uma startup. A proposta é que empresas e investidores possam identificar rapidamente as empresas de tecnologia mais promissoras e acelerar suas decisões de compra, investimento, fusão ou aquisição.
O algoritmo da ferramenta usa uma variedade de dados sobre fundadores e equipes de gerenciamento para obter sua pontuação, como:
-
Ex-empregadores
-
Quando eles se juntaram a empresas anteriores
-
Os marcos que essas empresas alcançaram enquanto trabalharam lá
-
Qualidade da rede com base em outras pessoas que provavelmente conhecem
-
Instituição educacional
-
Nível educacional (graduação, especialização)
Com base nesses dados, o Management Mosaic atribui uma pontuação de 1.000 (sendo 1.000 a melhor) que mede a probabilidade da equipe criar um resultado bem-sucedido, como um IPO ou aquisição. Para treinar o modelo, os cientistas de dados da CB Insights analisaram milhares de resultados de empresas de tecnologia de sucesso e as equipes por trás delas para determinar os atributos dos fundadores e equipes de maior sucesso.
O Management Mosaic integra o Mosaic Score da CB Insights, um modelo apoiado pela National Science Foundation usado para medir e prever o potencial de saúde e sucesso de empresas de tecnologia. Os três pilares restantes que compõem o Mosaic, nos termos deles são Momentum, Market e Money. Desde 2015, o Mosaic tem sido usado para prever as futuras empresas de unicórnio (empresas de tecnologia com avaliações de US$ 1 bilhão ou mais), com uma taxa de acerto de 74%.
Como tudo que envolve os humanos, há muitas variáveis no meio do caminho. O processo de avaliação da liderança de uma empresa costuma ser subjetivo e trabalhoso e isso torna-se mais difícil à medida que as negociações de capital de risco aumentam. Com o Management Mosaic, a ideia da empresa é permitir que os investidores avaliem de forma rápida e objetiva a qualidade de milhares de empresas e identifiquem aquelas com as equipes mais fortes.
