Escolar Documentos
Profissional Documentos
Cultura Documentos
https://doi.org/10.5585/gep.v12i2.18942
Recebido em: 16 dez. 2020
Aprovado em: 12 abr. 2021
Editor Chefe: Luciano Ferreira da Silva
Editor Científico: Flavio Santino Bizarrias
Editor Científico: Renato Penha
Fabiano Rodrigues
Doutor em Administração, FEA-USP
ESPM / PPGA
frodrigues@espm.br
Resumo
Este estudo analisa resultados obtidos com modelos de machine learning para predição do sucesso de startups. Como proxy de sucesso
considera-se a perspectiva do investidor, na qual a aquisição da startup ou realização de IPO (Initial Public Offering) são formas de
recuperação do investimento. A revisão da literatura aborda startups e veículos de financiamento, estudos anteriores sobre predição
do sucesso de startups via modelos de machine learning, e trade-offs entre técnicas de machine learning. Na parte empírica, foi
realizada uma pesquisa quantitativa baseada em dados secundários oriundos da plataforma americana Crunchbase, com startups de
171 países. O design de pesquisa estabeleceu como filtro startups fundadas entre junho/2010 e junho/2015, e uma janela de predição
entre junho/2015 e junho/2020 para prever o sucesso das startups. A amostra utilizada, após etapa de pré-processamento dos dados,
foi de 18.571 startups. Foram utilizados seis modelos de classificação binária para a predição: Regressão Logística, Decision Tree,
Random Forest, Extreme Gradiente Boosting, Support Vector Machine e Rede Neural. Ao final, os modelos Random Forest e Extreme
Gradient Boosting apresentaram os melhores desempenhos na tarefa de classificação. Este artigo, envolvendo machine learning e
startups, contribui para áreas de pesquisa híbridas ao mesclar os campos da Administração e Ciência de Dados. Além disso, contribui
para investidores com uma ferramenta de mapeamento inicial de startups na busca de targets com maior probabilidade de sucesso.
Palavras-chave: Predição do sucesso de startups. Machine learning. Investimento em startups. Plataforma crunchbase.
Abstract
This study analyzes results from machine learning models to predict the success of startups. As a proxy for success, we considered the
investor's perspective, according to which startup buyout or IPO (Initial Public Offering) are ways to recover the investment. The
literature review addresses startups and funding mechanisms, previous studies on prediction of startup success via machine learning
models, and trade-offs between machine learning techniques. The empirical study comprised a quantitative research based on
secondary data from the American Crunchbase platform, with startups from 171 countries. The research design used as filter startups
founded between June/2010 and June/2015, as well as a prediction window from June/2015 to June/2020 to predict startup success.
The final sample, after the data preprocessing stage, comprised 18,571 startups. Six binary classification models were used for success
prediction: Logistic Regression, Decision Tree, Random Forest, Extreme Gradient Boosting, Support Vector Machine, and Neural
Networks. In the end, the Random Forest and Extreme Gradient Boosting models had the best performance in the classification task.
This article involving machine learning and startups contributes to research in hybrid fields by combining perspectives from Business
and Data Science. Additionally, it contributes to investors with a tool for initial mapping of startups in search of targets with greater
probability of success.
Keywords: Startup success prediction. Machine learning. Investment in startups. Crunchbase platform.
Cite como
American Psychological Association (APA)
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição do sucesso de
startups. Revista de Gestão e Projetos (GeP), 12(2), 28-55. https://doi.org/10.5585/gep.v12i2.18942.
__________________________________________________________________________________
1 Introdução
Nos últimos anos, o número global de investimentos para auxiliá-los nas diversas
unicórnios (startups com valor de mercado fases do seu empreendimento.
acima de um bilhão de dólares) vem Diante desse cenário de alto risco e
aumentando. Em dezembro de 2020, 506 potencial alto retorno, prever as startups com
startups foram enquadradas nesta categoria, maiores chances de sucesso pode ajudar o
com valuation acumulado de aproximadamente ecossistema empreendedor, reunindo
US$ 1.6 trilhões de dólares (CB Insights, 2020). investidores a iniciativas com maior potencial
Por outro lado, apenas metade das startups de rentabilização e oferecendo aos
conseguem sobreviver mais de cinco anos empreendedores uma bússola para checar a
(National, 2020). probabilidade de terem sucesso no
Startups, por definição, são desenvolvimento de suas iniciativas.
organizações temporárias usadas para procurar O sucesso de uma startup pode ser
um modelo de negócios repetível e com alta definido de muitas formas: pela capacidade de
escalabilidade (Blank, 2013). Essa busca por atração de novos investimentos (funding
modelos de sucesso é bastante volátil, tanto para rounds), pela velocidade exponencial de
os empreendedores como para os investidores. crescimento das vendas, pela participação em
Afinal, startups são instituições humanas processos de M&A (Mergers and Acquisitions),
desenhadas para entregar um novo produto ou e pela abertura de capital via IPO.
serviço sob condições de extrema incerteza Este estudo assume a perspectiva do
(Ries, 2012). As incertezas são múltiplas, de investidor, usando exit como proxy para o
natureza tecnológica, financeira, sucesso. Exit é o termo usado para a saída do
mercadológica, macroeconômica, de encaixe investidor; isso ocorre quando a startup é
entre a oferta criada e a necessidade dos adquirida por outra empresa (processo de M&A)
consumidores, de condições e forma de ou realiza uma oferta pública de suas ações
gerenciamento, entre outras. (processo de IPO). Nos dois casos, os
Fundos de Venture Capital (VC) investidores podem vender suas participações
realizam investimentos com o intuito de para auferir ganhos nas transações. Dessa
auferirem retornos advindos do forma, o objetivo deste estudo consiste em
desinvestimento (exit), ou seja, quando a analisar os resultados de modelos de machine
startup investida é adquirida por outra learning para a predição do sucesso de startups.
organização ou abre seu capital por meio de um Os modelos preditivos são de classificação
IPO – Initial Public Offering. Empreendedores, binária: sucesso – ou não – das startups.
além do propósito que movimenta suas A literatura acadêmica com foco em
organizações, também buscam machine learning para predição do sucesso de
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
29 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
startups já conta com frentes de pesquisa nessa Para o ecossistema empreendedor, este
direção, que contribuíram para o presente estudo propõe filtrar startups que tenham maior
estudo (Liang & Daphne Yuan, 2013; Shan, probabilidade de sucesso para os investidores.
Cao & Lin, 2014; Bento, 2017; Pan, Gao & Luo, Em um cenário extremamente competitivo e
2018; Gastaud, Carniel & Dalle, 2019; Arroyo incerto, onde mais de 90% das startups falham
et al., 2019). Na última década, vários modelos (Profitfromtech, 2020), o estudo auxilia na
foram testados para essa tarefa, incluindo Naive identificação das mais promissoras. Também
Bayes, Decision Trees, Random Forest, destaca a relevância de modelos de machine
Supported Vector Machine, entre outros. Os learning no processo de varredura inicial de
autores citados concentram-se majoritariamente oportunidades de investimento, agregando uma
no campo da computação e ciência de dados. camada para filtrar as startups com maior
Este estudo inspira-se no design de janelas potencial de sucesso.
temporais proposto por Arroyo et al. (2019), Como estrutura, este estudo inclui uma
incluindo apenas startups com data de fundação revisão teórica sobre o tema, o desenvolvimento
recente, entre junho de 2010 e junho de 2015, do design da pesquisa, tratamento e limpeza dos
para prever seu sucesso entre junho de 2015 e registros de startups oriundos da plataforma
junho de 2020. Crunchbase (2020), uma análise exploratória, e
Como contribuição acadêmica, predição do sucesso de startups a partir de
realizaram-se algumas mudanças no design da modelos de classificação desenvolvidos em
pesquisa desenvolvida por Arroyo et al. (2019) linguagem de programação Python.
e na estratégia de tratamento dos dados, tais
como: tempo das janelas de inclusão e predição; 2 Revisão teórica
adição de startups com período inferior a dois
Nesta seção são abordados o conceito
anos para captação na primeira rodada de
de startups, veículos para financiamento de suas
financiamento; adoção de estratégia
atividades, estudos anteriores sobre predição do
conservadora para tratamento de dados
sucesso de startups e modelos de machine
faltantes; inclusão de redes neurais do tipo multi
learning.
layer perceptron ao conjunto de modelos
avaliados para a tarefa de classificar e inclusão 2.1 Startups e veículos de financiamento
de atributos preditivos aderentes ao contexto
Startups, por definição, são
empreendedor. Adicionalmente, devido ao
organizações temporárias usadas para procurar
background dos autores da pesquisa, este estudo
um modelo de negócios repetível e com alta
contribui com a aproximação dos campos da
escalabilidade (Blank, 2013). São ideias que se
Ciência de Dados e da Administração.
multiplicaram nas últimas décadas e foram
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
30 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
postas à prova em ambientes de alta incerteza, sobre 906.248 fundadores (extração realizada
mas com potencial de atração de demanda. pelos autores, com a devida autorização da
O surgimento de bases de dados sobre equipe Crunchbase para fins acadêmicos). A
startups, como a Crunchbase, facilita o acesso a base possui um histórico com mais de 325 mil
grande quantidade e variedade de dados rodadas de financiamento (funding rounds), em
estruturados, com potenciais usos para todas as etapas do ciclo de vida de uma startup:
múltiplos stakeholders: fundadores em busca de early-, growth- e mature stage (nascimento,
financiamento, investidores à procura de crescimento e maturidade).
startups, pessoas em busca de ideias para novos Para exemplificar essa lógica de
empreendimentos, e pesquisadores acadêmicos funding no cenário brasileiro, Gereto (2019)
que se interessam pela dinâmica e pelo analisou o ciclo de investimento e
ecossistema das startups (Crunchbase, 2020). desinvestimento de 436 startups brasileiras
Crunchbase é uma plataforma mundial registradas na base de dados Crunchbase. Nesse
criada em 2007, com sede nos Estados Unidos, estudo, visualizou uma média de 1,7 rodadas de
para profissionais que buscam dados sobre investimento do tipo seed; 2,2 rodadas em early
empresas inovadoras. Dalle, den Besten e stage; e 3,6 rodadas em later stage, com faixas
Menon (2017) identificaram mais de 90 artigos crescentes captadas ao longo do ciclo de vida da
acadêmicos usando o Crunchbase como fonte startup: US$ 100.000,00 a US$ 1.000.000,00
de dados para estudos em variados campos, (seed); US$ 1.000.000,00 a US$ 10.000.000,00
como gestão e economia. (early stage); e US$ 10.000.000,00 a US$
A fotografia da base de dados 100.000.000,00 (later stage). A Tabela 1
Crunchbase, no dia 29 junho de 2020, apresenta diferentes tipos de financiamento de
apresentava 1.064.929 startups e informações startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
31 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
32 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
33 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
Atributo 1 Agente de
Função-alvo
Aprendizagem
Atributo
Dados de Treinamento
Fonte: Adaptado de Ertel (2017, p. 178).
novos e desconhecidos ao longo do tempo (após
Um agente de aprendizagem é bem- muitos exemplos de treinamento)” (Ertel,
sucedido se “melhorar seu desempenho
(medido por um critério adequado) em dados
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
34 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
35 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
Em termos das medidas de avaliação de Shan, Cao e Lin (2014). As melhores precisões
classificadores, Kubat (2017) aponta que foram obtidas com o modelo de Floresta
precisão consiste na probabilidade de o Aleatória, com 0,33 para startups adquiridas e
classificador estar correto quando classifica um 0,44 para as que realizaram processo de IPO.
exemplo como positivo, enquanto um alto Importante destacar que esse estudo, após
recall significa a porcentagem de exemplos reinterpretação e nova operacionalização do
positivos classificados como positivos. A conceito de sucesso das startups, atingiu
acurácia é o indicador mais simples, consiste na precisão superior a 60%. Em resumo, os autores
razão entre o número de predições corretas pelo classificaram como bem-sucedidas startups que
total de predições. A pontuação F1 é a média foram adquiridas, que realizaram IPO, ou que
harmônica entre precisão e recall. Já a medida continuavam recebendo funding (o fracasso foi
GMean, que é bastante usada no caso de designado apenas para startups fechadas ou sem
datasets desbalanceados, basicamente consiste eventos na janela de simulação do estudo).
na média geométrica entre a sensibilidade O primeiro estudo usou janelas
(recall) e a especificidade (porcentagem de temporais para avaliação dos modelos. Nesse
exemplos negativos classificados como caso, estabeleceram-se duas janelas: 1) de
negativos) do modelo. aquecimento, com duração de 4 anos, entre
Arroyo et. al (2019) obtiveram menor ago/2011 e ago/2015 (contendo startups não
precisão em seus modelos em comparação com adquiridas, sem IPO, operantes e com rodada de
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
36 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
37 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
3.1 Base de dados Crunchbase dados para fins acadêmicos por um período de
6 meses (até outubro de 2020). A Tabela 5
Após contatos eletrônicos estabelecidos
apresenta um resumo de todos os arquivos
com a equipe técnica da plataforma
extraídos da base de dados, em formado CSV
Crunchbase, sediada nos Estados Unidos, foi
(comma-separated values), no dia 29 de junho
cedido aos autores o acesso aos
de 2020.
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
38 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
utilização de uma janela temporal para a escolha Adicionalmente aos filtros citados, o
das startups que fizeram parte do dataset final. fator ‘tempo até a primeira rodada de captação’
A partir da base completa, com 1.064.926 foi inserido, com uma janela máxima de 2 anos
startups, extraída do Crunchbase no dia 29 de após a fundação para a startup captar seu
junho de 2020, foram filtradas startups com primeiro financiamento. Esse critério buscou
data de fundação entre os dias 29/6/2010 e aproximar a visão do investidor, que deseja
29/6/2015, tendo-se assim uma janela de 5 anos crescimento rápido dos negócios, sendo o
para inclusão de startups. Esse período foi tempo para a primeira rodada de investimentos
denominado janela de aquecimento. Foram uma variável proxy para a velocidade de atração
incluídas apenas startups que receberam de recursos.
investimentos até a série C, mais A Figura 3 mostra o design macro do
especificamente: tipo angel (capital anjo), seed estudo.
(capital semente), série A e série B.
Janela de predição
apresentando 1 (um) se a startup foi adquirida tratamento da base de dados foram executadas
ou realizou IPO (proxy de sucesso neste por meio da linguagem Python de programação.
tratamento dos dados, em sintonia com o design Para a predição do sucesso das startups,
de pesquisa proposto. alguns atributos se destacaram como potenciais
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
39 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
41 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
43 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
44 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
A Figura 6 apresenta uma análise de numéricos. A correlação mais intensa foi entre
correlação entre os atributos preditivos o tempo até a primeira rodada de captação e o
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
45 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
tempo médio entre funding rounds (0,559). As Os gráficos de dispersão com pares de
demais relações não apresentam correlação atributos preditivos (Figura 7) não apresentam
aparente, demonstrando baixa clara distinção entre startups Classe 0 e Classe
multicolinearidade entre as variáveis preditivas. 1 (sucesso).
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
46 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
47 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
(20%), com estratégia de partição balanceada utilizado nos pipelines do Python para rodagem
dos registros. dos modelos. Todos os modelos tiveram
Para a rodagem dos modelos, criou-se validação cruzada com 5 folds. Além disso,
um pré-processador para a preparação dos buscou-se realizar tunning dos seus
dados, incluindo one-hot encoder para hiperparâmetros por meio da função
transformação das variáveis categóricas, e GridSearch do Python. A Tabela 11 apresenta
normalização das numéricas com os melhores parâmetros de cada modelo após o
MinMaxScaler. Esse pré-processador foi processo de tunning.
5.3 Resultados dos modelos de classificação classe: precisão, recall, f1-score e AUC (Area
Under the Curve).
A Tabela 12 apresenta as principais
medidas de avaliação do modelo para cada
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
49 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
Como o Recall (razão entre o número Vale também destacar dois pontos do
de startups classificadas na Classe 1 pelo design de pesquisa que podem colaborar para
número total de startups que, de fato, foram atingir taxas de precisão dessa magnitude:
bem-sucedidas) é menos relevante para o a) O processo de tratamento de dados
presente estudo, pois números acima de 50% desta pesquisa foi bastante rígido
demonstram uma boa classificação de startups quando comparado aos estudos
elegíveis para investimentos bem-sucedidos, o apresentados na Tabela 2. Decidiu-
foco recairá na Precisão. Nesse quesito se eliminar todos os registros
sobressaiu o classificador Random Forest com (startups) com ausência de valores
uma precisão de 26,4% (com menor FNR – nos atributos preditores (ver Tabela
False Negative Rate, indicando menor 8 para mais detalhes). Essa decisão
probabilidade de indicação aos investidores de foi motivada pela análise
startups com menor potencial de sucesso). exploratória dos dados e pela própria
Em rápida análise, os números parecem natureza dos dados presentes na
baixos, mas vale lembrar que o índice médio de plataforma Crunchbase. Como
sucesso entre as 18.571 startups da amostra é de existe autodeclaração dos dados na
11,59%. Tomando-se como exemplo a precisão plataforma, decidiu-se apenas pela
do modelo Random Forest (26,4%), alcança-se manutenção de startups com dados
uma melhoria de 128% frente aos 11,59% em todos os atributos, minimizando-
(média de sucesso das startups). Do ponto de se assim a inclusão de registros
vista do investidor, o filtro gerado pelo falhos.
classificador coloca a proporção de escolha de Essa decisão segue a premissa de que
startups para funding em uma proporção de 3,8 startups com dados completos, em todas as
para 1, ou seja, chance de sucesso de 1 startup features analisadas, possuem informações mais
para cada 3,8 startups adicionadas ao portfólio confiáveis.
do investidor. b) Foram incluídos atributos preditivos
Esse resultado (26,4%), mesmo com que tivessem consistência com o
diferenças no design de pesquisa e tratamento universo e o cenário competitivo das
dos dados, é próximo ao obtido por Arroyo et startups, conforme mostra a Tabela
al. (2019), que alcançou uma precisão de 33% 8. Alguns estudos anteriores
para aquisição de startups (modelo Random incluíram informações indicadas na
Forest) e 44% para IPO (modelo Random plataforma Crunchbase de baixa
Forest). relevância para os investidores,
como existência ou não de perfil
Linkedin/Facebook, contato
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
50 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
52 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
53 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
Outras contribuições são a estratégia para lidar Dalle, J.-M., Den Besten, M. & Menon, C.
(2017). Using Crunchbase for economic and
com a natureza desbalanceada das classes, os
managerial research. OECD Science,
testes com outros modelos, e novas opções para Technology and Industry Working Papers.
Recuperado de:
escolha dos melhores hiperparâmetros.
https://pdfs.semanticscholar.org/aa83/4b1dd
d1d6c96bde1c6e526be6bb2a99ad011.pdf.
Acesso em 07/jun/2020.
Referências
Ertel, W. (2017). Introduction to Artificial
Arroyo, J., Corea, F., Jimenez-Diaz, G., & Intelligence. 2nd ed. London: Springer.
Recio-Garcia, J. A. (2019). Assessment of
machine learning performance for decision Facelli, K., Lorena, A. C., Gama, J., & de
support in venture capital investments. IEEE Carvalho, A. C, P. L. F. (2019). Inteligência
Access, 7, 124233–124243. Artificial: uma abordagem de aprendizado
https://doi.org/10.1109/ACCESS.2019.2938 de máquina. Rio de Janeiro: LTC.
659
Gastaud, C., Carniel, T., & Dalle, J.-M. (2019).
Basole, R. C., Park, H., & Chao, R. O. (2019). The varying importance of extrinsic factors
Visual Analysis of Venture Similarity in in the success of startup fundraising:
Entrepreneurial Ecosystems. IEEE competition at early-stage and networks at
Transactions on Engineering Management, growth-stage. arXiv preprint
66(4), 568–582. arXiv:1906.03210. Recuperado de:
https://doi.org/10.1109/TEM.2018.2855435 https://arxiv.org/abs/1906.03210. Acesso em
03/jun/2020.
Bento, F. R. S. R. (2017). Predicting Start-up
Success with Machine Learning. Master Gereto, M. A. S. (2019). Caracterização dos
Program in Information Management. ciclos de investimentos de venture capital
Instituto Superior de Estatística e Gestão da em startups brasileiras em termos de
Informação. Universidade Nova de Lisboa. rodadas de investimento e estratégias de
Recuperado de: desinvestimento a partir de dados da
https://run.unl.pt/bitstream/10362/33785/1/T Crunchbase. Dissertação de mestrado em
GI0132.pdf. Acesso em 14/mai/2020. administração. FGV - Faculdade Getúlio
Vargas, 2019. Recuperado de;
Blank, S. (2013). The Four Steps to the http://bibliotecadigital.fgv.br/dspace;/handle
Epiphany: successful strategies for products /10438/27468. Acesso em 01/jun/2020.
that win. Pescadero: K&S Ranch Press.
Hsieh, K.-H., & Li, E. Y. (2017). Progress of
CB Insights. (2020). The Complete List of Fintech industry from venture capital point
Unicorn Companies. Recuperado de: of view. In: Proceedings of The 17th
https://www.cbinsights.com/research- International Conference on Electronic
unicorn-companies. Acesso em 10/dez/2020. Business. ICEB, Dubai, p. 297-301.
Recuperado de:
Cremades, A. (2016). The Art of Startup http://iceb.johogo.com/proceedings/2017/IC
Fundraising: pitching investors, negotiating EB_2017_paper_36-WIP.pdf. Acesso em
the deal, and everything else entrepreneurs 3/jun/2020.
need to know. Hoboken: John Wiley &
Sons. Kemeny, T., Nathan, M., & Almeer, B. (2017).
Using Crunchbase to explore innovative
Crunchbase. Crunchbase Platform. Disponível ecosystems in the US and UK. Birmingham
em: https://www.Crunchbase.com/. Acesso Business School Discussion Paper Series.
em: 12 mar. 2020. Recuperado de:
http://epapers.bham.ac.uk/3051/1/bbs-dp-
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
54 12(2), maio/ago. 2021
Rodrigues, F., Rodrigues, F. A., & Rodrigues, T. V. R. (2021, maio/ago.). Modelos de machine learning para predição
_____________________________________________________________________
do sucesso de startups
__________________________________________________________________________________
Revista de Gestão e Projetos – (GeP)
55 12(2), maio/ago. 2021