[논문 리뷰] The varying importance of extrinsic factors in the success of startup fundraising: competition at early-stage and networks at growth-stage

Clement Gastaud, Théophile Carniel외 1명|arXiv (Cornell University)|2019. 06. 07.

Private Equity and Venture Capital인용 수 6

한 줄 요약

이 연구는 초기단계(포스트시드) 및 성장단계(시리즈 A/B) 투자 라운드에서 외재적 요인—경쟁과 투자자 네트워크—가 스타트업 펀딩 성공에 미치는 영향을 조사한다. 경쟁을 측정하기 위해 자연어 처리(NLP)를, 투자자 네트워크를 모델링하기 위해 그래프 신경망(GNNs)을 사용한 결과, 초기단계에서는 경쟁이 핵심 예측 변수로 작용하는 반면, 성장단계에서는 네트워크 중심성의 영향이 우세하며, 이러한 영향은 종합 모델에서는 상쇄되어 평균화된다.

ABSTRACT

We address the issue of the factors driving startup success in raising funds. Using the popular and public startup database Crunchbase, we explicitly take into account two extrinsic characteristics of startups: the competition that the companies face, using similarity measures derived from the Word2Vec algorithm, as well as the position of investors in the investment network, pioneering the use of Graph Neural Networks (GNN), a recent deep learning technique that enables the handling of graphs as such and as a whole. We show that the different stages of fundraising, early- and growth-stage, are associated with different success factors. Our results suggest a marked relevance of startup competition for early stage while growth-stage fundraising is influenced by network features. Both of these factors tend to average out in global models, which could lead to the false impression that startup success in fundraising would mostly if not only be influenced by its intrinsic characteristics, notably those of their founders.

연구 동기 및 목표

• 외재적 요인(예: 경쟁과 투자자 네트워크)이 다양한 펀딩 단계에서 스타트업 펀딩 성공에 미치는 영향을 조사하는 것.
• 모든 펀딩 라운드를 종합하는 종합 모델의 한계를 해결하기 위해, 단계별 특성 동역학이 평균화되어 외재적 요인이 과소평가되는 문제를 해결하는 것.
• 워드2벡트 임베딩을 활용한 새로운 NLP 기반 경쟁 측정 지표를 개발하고, 스타트업 유사도와 경쟁 강도를 정량화하는 것.
• 투자자-스타트업 네트워크의 관계적 구조를 단순 중심성 특성 이상으로 포착하기 위해 그래프 신경망(GNNs)을 활용한 투자자 네트워크 모델링을 선구적으로 적용하는 것.
• 초기단계와 성장단계 펀딩은 서로 다른 성공 요인에 의해 영향을 받으며, 내재적 요인(예: 창업자 경험)이 항상 우세하다는 가정을 도전하는 것.

제안 방법

• 모델 훈련 및 평가를 위해 크런치베이스 데이터에서 스타트업 기술서, 펀딩 윈도우, 투자자 관계를 추출했다.
• 스타트업 기술서를 워드2벡트 임베딩으로 변환하고, 코사인 유사도를 계산하여 경쟁 강도의 대체 지표로 사용했다.
• 스타트업과 투자자를 노드로, 펀딩 이벤트를 엣지로 하는 이질적 그래프를 구축하여 투자 네트워크를 모델링했다.
• 노드 특성(예: 창업자 경험, 팀 규모)과 그래프 구조를 모두 사용하여 펀딩 성공을 예측하기 위해 그래프 컬러션 네트워크(GCNs)를 포함한 그래프 신경망(GNNs)을 훈련했다.
• 전통적 기계학습 모델(XGBoost 등)과 비교하여 성능과 각 펀딩 단계에서의 특성 중요도를 평가했다.
• 표준 평가 지표를 사용해 모델을 평가했다: ROC-AUC, 정밀도, 재현도, F1 점수, 상위-k 예측 성능을 위한 P@50/P@100.

실험 결과

연구 질문

• RQ1 경쟁의 중요도는 초기단계와 성장단계 스타트업 펀딩 간에 어떻게 다를까?
• RQ2 투자자 네트워크 특성(예: 중심성)은 다양한 단계에서 펀딩 성공에 얼마나 영향을 미치는가?
• RQ3 왜 모든 펀딩 라운드를 종합하는 종합 모델에서는 외재적 요인(경쟁, 네트워크 등)이 덜 중요하게 나타나는가?
• RQ4 그래프 신경망(GNNs)은 스타트업-투자자 네트워크의 관계적 구조를 효과적으로 모델링하여 펀딩 성공 예측 성능을 향상시킬 수 있는가?
• RQ5 내재적 요인(예: 창업자 경험, 팀 규모)은 각 단계에서 외재적 요인보다 예측력이 뛰어나거나 그렇지 않은가?

주요 결과

• 워드2벡트 기반의 스타트업 기술서 유사도로 측정한 경쟁은 포스트시드 펀딩 성공의 강력한 예측 변수이며, 경쟁이 낮을수록 펀딩 확률이 뚜렷이 증가한다.
• 시리즈 A 및 B 라운드에서는 투자자 네트워크 중심성이 점점 더 중요해지며, GNN 모델은 후기 단계에서 상위 50개 및 상위 100개 예측에서 높은 정밀도를 보였다.
• 모든 펀딩 라운드를 종합하는 종합 모델은 단계별 특성 동역학을 가리므로, 외재적 요인(경쟁, 네트워크 특성 등)이 평균화되어 중요성이 낮게 나타난다.
• GNN 모델은 포스트시드 라운드에서 ROC-AUC 64.3%, 시리즈 A 라운드에서 61.5%를 기록했으며, 정밀도 역시 각각 64%와 63%를 기록하여 단계별 예측 성능이 뛰어나다는 것을 입증했다.
• 창업자 경험(이전 기업 수)과 팀 규모는 모든 단계에서 일관되게 긍정적인 예측 변수였으며, 특히 단독 창업자나 소규모 팀은 펀딩을 유치하기 어려운 경향이 있었다.
• GNN 프레임워크는 상위-k 예측 성능(P@50 및 P@100)을 향상시켰으며, 특히 후기 단계에서 더욱 두드러져 관계적 구조가 스타트업이 성숙함에 따라 점점 더 유용해짐을 확인했다.