Benachrichtigung aktivieren Dürfen wir Sie in Ihrem Browser über die wichtigsten Nachrichten des Handelsblatts informieren? Sie erhalten 2-5 Meldungen pro Tag.
Fast geschafft Erlauben Sie handelsblatt.com Ihnen Benachrichtigungen zu schicken. Dies können Sie in der Meldung Ihres Browsers bestätigen.
Benachrichtigungen erfolgreich aktiviert Wir halten Sie ab sofort über die wichtigsten Nachrichten des Handelsblatts auf dem Laufenden. Sie erhalten 2-5 Meldungen pro Tag.
Jetzt Aktivieren
Nein, danke
Digitale Revolution

Digitale Revolution Einhörner aus der Glaskugel: Wie KI Milliarden-Start-ups erkennen soll

Ein junger KI-Experte hat einen Algorithmus entwickelt, der erfolgversprechende Start-ups häufiger erkennt als durchschnittliche Investoren.
07.10.2020 - 04:00 Uhr Kommentieren
Als Einhörner werden Start-ups bezeichnet, die eine Marktbewertung von mehr als einer Milliarde US-Dollar erreicht haben. Quelle: Getty Images
Einhorn

Als Einhörner werden Start-ups bezeichnet, die eine Marktbewertung von mehr als einer Milliarde US-Dollar erreicht haben.

(Foto: Getty Images)

München, Berlin Man könnte es als Glaskugel bezeichnen, mit der man künftige Einhörner in der Unternehmenswelt erkennen kann: Andre Retterath forscht an Vorhersagemodellen für Milliarden-Start-ups. Die Theorie dazu hat der junge Experte für Künstliche Intelligenz (KI) gerade seinem Doktorvater an der Technischen Universität München vorgelegt.

Daraus geht hervor, dass der durchschnittliche Investor deutlich häufiger eine Erfolgsfirma übersieht als ein von ihm entwickelter Algorithmus. Kaum zwei Kilometer entfernt läuft derweil beim Start-up-Investor Earlybird der Praxistest an. Mitgründer Hendrik Brandis hat Retterath vor dreieinhalb Jahren eingestellt.

Start-up-Investoren sind stets auf der Suche nach der nächsten Firma, die mit einem Algorithmus eine ganze Industrie verändern kann. Sie wetten Millionen darauf, dass neue Software alte Gesetze außer Kraft setzt. Oft sehen sie umso mehr Marktpotenzial, je manueller die jeweilige Branche noch arbeitet. Gleichwohl vertrauen viele bei ihrer eigenen Arbeit auf das ominöse Bauchgefühl. Paradox: Jetzt droht selbst ihnen die Disruption.

KI spielt für Start-up-Investoren eine immer größere Rolle bei der Suche und der Auswahl von vielversprechenden Firmen, auch wenn sie absehbar nicht dazu in der Lage sein wird, selbstständig Investmententscheidungen zu tätigen. Da sind sich die Experten einig. „Es geht weder um das Aussuchen der Richtigen noch um das Aussortieren der Falschen, sondern um das Nicht-Aussortieren der Richtigen“, sagt Retterath.

Top-Jobs des Tages

Jetzt die besten Jobs finden und
per E-Mail benachrichtigt werden.

Standort erkennen

    Nachvollziehbar wird dies durch eine Faustformel: Von 25 Start-ups in einem Fonds müssen zwölf abgeschrieben werden, bei zehn bekommt der Investor sein Geld zurück und zwei oder drei müssen den gesamten Investitionstopf plus Margen wieder einspielen. „Für uns ist das größte Risiko, dass wir das nächste Facebook auf dem Tisch haben und sagen: Das wird nichts“, sagt Retterath.

    Seine Doktorarbeit trägt den Titel: „Machine Learning and the Value of Data in Venture Capital“. Quelle: Earlybird
    Andre Retterath

    Seine Doktorarbeit trägt den Titel: „Machine Learning and the Value of Data in Venture Capital“.

    (Foto: Earlybird)

    Der 28-Jährige ist nicht der Einzige, der auf der Suche nach der Einhorn-KI ist. Neben Earlybird überlegen und testen immer mehr Risikokapitalgeber, wie sie sich mit Daten, Automatisierung und maschinellem Lernen für die Zukunft aufstellen. „Mithilfe datenbasierter Modelle könnten uns internationale Investoren unsere Start-ups vor der Haustür wegschnappen“, mutmaßt ein Berliner Investor.

    Doch nur wenige Venture-Capital-Firmen (VC) reden darüber, ob und wie sie Daten sammeln und verarbeiten – geschweige denn, ob sich die Modelle selbst trainieren. Allerdings ist bekannt, dass bei vielen Firmen die Systeme noch rudimentär sind.

    Umgekehrt gibt es auch Firmen, die offener mit ihrem datenbasierten Ansatz umgehen oder sogar damit um Investoren für vielversprechende Gründer werben. Beispiele sind der internationale VC e.ventures und die schwedische Wagniskapitalfirma EQT Ventures, die bereits 100 Millionen US-Dollar auf Basis einer KI-Plattform investiert haben soll.

    Insiderwissen als Trainingsdaten

    Aber auch sie sind eher verschwiegen, wenn es um die Frage geht, was sie aus ihren Daten lernen, wie sie ihre Prognosen verbessern und wie oft sie noch daneben liegen. Der e.ventures-Mitgründer Thomas Gieselmann, der das firmeneigene IT-Werkzeug entwickelt hat, bittet am Ende eines offenen Gesprächs darum, keine Zahlen zu veröffentlichen. Es geht schließlich um die Erfolgsformel.

    Retterath und Earlybird sind ein Sonderfall, weil hier Forschung und Praxis aufeinandertreffen. Der Deal: Retterath darf für seine Promotion einerseits universitäre Zugänge, andererseits gut gehütete Geheimnisse des Investors nutzen. Dafür stellt er seine Ergebnisse in abstrahierter Form der Forschungsgemeinschaft zur Verfügung und liefert Earlybird ein neues Prognoseinstrument auf dem Stand der KI-Wissenschaft.

    Nur deshalb konnte auch das Handelsblatt die Untersuchungsergebnisse einsehen und bekam vorab Einblicke in das Werkzeug. Unklar ist, ob Earlybird beim Einsatz von KI weiter ist als andere VCs. Auf Basis des wissenschaftlichen Nachweises lässt sich aber beschreiben, wie mithilfe von KI die Wahrscheinlichkeit besser vorausgesagt werden kann, mit der eine ganz junge Gründung eine Finanzierungsrunde abschließt, verkauft wird oder einen IPO erreicht. Doch warum ist der innovative Sektor nicht längst weiter?

    Grafik

    Die US-Firma Renaissance Technologies hat bereits in den 80er-Jahren erkannt, dass sich der Erfolg von Unternehmen an der Börse mit mathematischen Modellen vorhersagen lässt. Diese kombinieren Live-Daten wie Dollarkurs, Ölpreis und Wetterinformationen mit Firmenkennzahlen. Heute ist der algorithmische Handel bei Hedgefonds Standard.

    Der Unterschied zu Start-ups: „Unternehmen an der Börse müssen Daten offenlegen, es ist ein öffentliches Angebot“, sagt Retterath. Im VC-Geschäft hingegen sei alles privat: Start-ups, Wagniskapitalgeber und deren Investoren. Übertreiben, pokern und Informationen zurückhalten sind hier sogar allseits akzeptierte Spielregeln.

    Als Thomas Gieselmann von e.ventures 1999 erstmals versuchte, systematisch Start-up-Daten aus dem Netz zu ziehen, gab er den Versuch schnell wieder auf: „Es war zu früh: Die Datenbasis war nicht gegeben“, sagt er.

    Seitdem hat sich viel verändert. Es gibt unzählige Quellen, die Aufschluss über Trends im Start-up-Sektor geben können. Manche Informationen geben die Gründer selbst bewusst heraus, andere unfreiwillig – zum Beispiel, wie oft ihre Website aufgerufen wird, wie viele Mitarbeiter sie über Netzwerke wie LinkedIn rekrutieren oder wie das Feedback auf Entwickler-Plattformen ist, wenn sie dort ihren Code offenlegen.

    Inzwischen ist ein Markt für Start-up-Daten entstanden: Unternehmen bieten etwa Handelsregisteranalysen und Informationen zu Finanzierungsrunden an. VCs kaufen aber auch Kreditkartendaten von US-Bürgern, an denen sich Konsumtrends ablesen lassen. Mit einigen dieser Daten können Investoren feststellen, dass es die Firmen überhaupt gibt, andere sagen etwas über Erfolgstreiber aus. Während der Einsatz von KI im Start-up-Investment-Prozess noch ganz am Anfang steht, werden Daten bereits massiv genutzt, um die Unternehmensentwicklung zu verfolgen oder etwa neue Firmendaten automatisiert in firmeneigene Datenbanken zu ziehen.

    Crunchbase, Dealroom, Pitchbook: Welche Datenbank ist die beste?

    Im Zuge seiner Promotion hat Retterath analysiert, wie Investmentfirmen im großen Stil Informationen aus Datenbanken ziehen und verarbeiten. Dabei zeigt sich ein Problem: „Alle nutzen die Datenbank Crunchbase, keiner weiß genau, wie es um die Qualität dieser Daten steht“, sagt Retterath. Dabei investieren Risikokapitalgeber jedes Jahr Hunderttausende Euro dafür.

    „Manchmal sagen verschiedene Datenbanken komplett unterschiedliche Dinge über ein und dieselbe Firma“, sagt Henrik Landgren, der bei EQT Ventures dieses Problem für die Entwicklung der KI-Plattform „Motherbrain“ lösen muss. Zum Beispiel wichen die Finanzierungszeitpunkte, die Anzahl der Investoren und deren Namen ab.

    Andre Retterath konnte dank seines Deals mit dem 1997 gegründeten Frühphaseninvestor eine umfangreiche Prüfung der meistgenutzten Datenbanken durchführen: Angellist, CB-Insights, Crunchbase, Dealroom, Pitchbook, Preqin, Tracxn und VentureSource. Dazu glich er die historischen Originaldaten von über etwa 400 Start-ups mit den Eintragungen ab. Es handelt sich dabei hauptsächlich um Investments von Earlybird und einigen von dessen Partnern. Die Start-ups stammen vorwiegend aus Europa und den USA.

    Die aufgedeckten Fehlermuster liefern wichtige Erkenntnisse – auch sie werden am Mittwoch von Retterath und seinem Doktorvater Reiner Braun publiziert. „Wir müssen uns auf diese Daten verlassen“, sagt Retterath. Auf Basis der Befunde ist das besser möglich.

    Demnach sind bei allgemeiner Betrachtung VentureSource, Pitchbook und Crunchbase die vollständigsten und genauesten Datenquellen. Mit Blick auf einzelne Kategorien unterscheidet sich aber die Qualität: VentureSource berichtet am umfangreichsten und besten über allgemeine Firmeninformationen. Pitchbook ist am stärksten bei Informationen zu den Gründern. Bei Finanzierungsinformationen gilt: Bei Interesse an Finanzierungsrunden und der investierten Gesamtsumme sollte Crunchbase zu Rate gezogen werden, VentureSource und Pitchbook wiederum können am genauesten sagen, welchen Umfang jede einzelne Finanzierungsrunde hatte und auf welche Summe sich die Bewertung anschließend belief.

    Mehr zum Thema:

    Am verlässlichsten ist also eine Kombination der verschiedenen Quellen. Wie und wo im Investmentprozess aber werden sie überhaupt eingesetzt und können sie als Grundlage für KI-Modelle dienen?

    Im Labortest: Maschine schlägt Investor

    Earlybird will mithilfe von KI – ähnlich wie auch EQT – möglichst alle Start-ups aufspüren, die grundsätzlich für ein Investment infrage kommen. „Das sind bei uns pro Jahr ungefähr 13.000“, sagt Hendrik Brandis. Die Kriterien: Tech-Start-ups in Europa, die mindestens einen Prototypen gebaut haben und erste Marktergebnisse vorweisen können. Am Ende müsse das 50-köpfige Team daraus zwölf bis 15 herausfiltern, in die investiert wird. 2000 Start-ups können die Mitarbeiter dazu kontaktieren. Im zweiten Schritt soll die KI bei der Priorisierung helfen.

    An dieser Stelle waren bisher subjektive Kriterien entscheidend, selbst wenn Daten zum Einsatz kommen: Legen sie Wert auf den Uniabschluss des Gründers? Oder muss es gar eine Eliteuni sein? Geht es nach Andre Retterath, dreht sich das Vorgehen jetzt um: „Statt dem System zu sagen, das sind die wichtigen Kriterien, liefere mir die Ergebnisse, sage ich jetzt: Das sind die gesuchten Ergebnisse, sage mir, wie ich sie finde.“

    Damit das System lernen kann, wie man Jahre im Voraus das Potenzial für Börsengänge, Millionen-Finanzierungsrunden und lukrative Verkäufe erkennt, hat Retterath es mit historischen Daten von sämtlichen Start-ups trainiert, die in Crunchbase, Pitchbook und LinkedIn zu finden sind. Auf dieser Grundlage lernte das System, anhand welcher Datenpunkte es 2016 hätte vorhersagen können, mit welcher Wahrscheinlichkeit bis zum Jahr 2020 der Erfolgsfall eintritt. Dann ließ er das System gegen 111 professionelle Investoren antreten. Anhand von zehn anonymisierten Unternehmensprofilen sollten sie entscheiden, welche fünf sie für ein potenzielles Investment weiterverfolgen und welche fünf sie aussortieren würden.

    Im Schnitt entschieden die Investoren zweimal falsch, Retteraths Algorithmus lag nur einmal daneben. (Das Exzerpt zur Studie finden Sie hier).Der Versuch zeigt: Auf Basis von nur drei Datenbanken schlägt die Maschine den durchschnittlichen Investor.

    Im November muss Retterath seine Promotion verteidigen. Doktorvater Braun, der zu Innovationsfinanzierung, Wagniskapital und Private Equity forscht, lobt schon jetzt die wissenschaftliche Erkenntnis: Die Arbeit zeige, dass selbst in privaten Kapitalmärkten mit begrenzten Informationen „das vorhandene KI-Instrumentarium erfolgreich Anwendung finden kann.“ Er erwartet, dass Wissenschaftler „andere Bereiche des Wagniskapitalgeschäfts vor diesem Hintergrund genauer unter die Lupe nehmen.“

    Laut Hendrik Brandis konnte die Gesamtzahl der finanzierungsfähigen Start-ups mithilfe der Datenarbeit von Retterath bereits von 8000 auf 12.000 erhöht werden. Damit entgehen ihm pro Jahr nur noch weniger als zehn Prozent der Start-ups, die vom Filter hätten erfasst werden sollen.

    Bei der Priorisierung verfolgt Earlybird einen um KI erweiterten Ansatz, bei dem die deterministischen Kriterien mit den Priorisierungsvorschlägen der KI verglichen werden. Mittelfristig soll der Algorithmus stärker berücksichtigt werden. Seit drei Monaten schneidet Retteraths System zusätzlich Livedaten aus anderen Quellen mit, um Erkenntnisse über ihre Bedeutung zu gewinnen. Daten wie Seitenaufrufe im Internet lassen sich nämlich rückblickend kaum wiederherstellen. „Schlechter können wir damit nicht mehr werden“, sagt Retterath. Die spannendste Frage bleibt für ihn: Wie viele Einhörner wird es in einigen Jahren geben, die auch in seiner Glaskugel nicht zu sehen waren?

    Mehr: Deutschland fällt im KI-Check durch.

    Startseite
    Mehr zu: Digitale Revolution - Einhörner aus der Glaskugel: Wie KI Milliarden-Start-ups erkennen soll
    0 Kommentare zu "Digitale Revolution: Einhörner aus der Glaskugel: Wie KI Milliarden-Start-ups erkennen soll"

    Das Kommentieren dieses Artikels wurde deaktiviert.

    Zur Startseite
    -0%1%2%3%4%5%6%7%8%9%10%11%12%13%14%15%16%17%18%19%20%21%22%23%24%25%26%27%28%29%30%31%32%33%34%35%36%37%38%39%40%41%42%43%44%45%46%47%48%49%50%51%52%53%54%55%56%57%58%59%60%61%62%63%64%65%66%67%68%69%70%71%72%73%74%75%76%77%78%79%80%81%82%83%84%85%86%87%88%89%90%91%92%93%94%95%96%97%98%99%100%