Startup-yritysten onnistumisen ennustaminen
No Thumbnail Available
Files
Lahti_Tomi_2024.pdf (870.55 KB) (opens in new window)
Aalto login required (access for Aalto Staff only).
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2024-08-02
Department
Major/Subject
Matematiikka ja systeemitieteet
Mcode
SCI3029
Degree programme
Teknistieteellinen kandidaattiohjelma
Language
fi
Pages
27
Series
Abstract
Nopeasti kehittyvässä startup-ekosysteemissä startup-menestyksen tarkka ennustaminen on ratkaisevan tärkeää yrittäjille, sijoittajille ja päättäjille. Tässä työssä tarkastellaan maantieteellisen sijainnin, startupin toimialan sekä rahoituksen keskeisiä rooleja startup-yrityksen menestymisen ennustamisessa. Käytämmä määriteltyinä yrityskaupan saavuttamisena. Tutkimuksessa käytetään "Startup data" -aineistoa, eli tietoa, joka on peräisin tunnetusta sähköisestä alustasta nimeltä Kaggle. Aineisto sisältää tietoja yhdysvaltalaisista startup-yrityksistä ja niiden ominaisuuksista. Tutkimme, miten eri muuttujat vaikuttavat startup-yrityksen onnistumuseen eli onko startup "acquired" eli onnistunut tai "closed" eli epäonnistunut. Näiden ulottuvuuksien tutkimiseen käytämme logistista regressioanalyysiä, sekä mallin ennustuskysyn testaamiseen, ristiinvalidointia. Tuloksemme paljastavat, että vaikka maantieteellinen sijainti ja toimiala vaikuttavat merkittävästi startupin menestykseen, rahoituksen vaikutus, mukaan lukien riskipääoma, enkelisijoitukset ja eteneminen rahoituskierrosten (A-D) kautta, on kannattavaa. Tutkimuksessa korostuu näiden tekijöiden monimutkainen vuorovaikutus startupin menestyksen kanssa. Tämä tutkimus edistää ymmärrystä siitä, mikä ajaa startupin menestystä, ja tarjoaa oivalluksia, jotka voivat kertoa strategioista tukevien startup-ekosysteemien edistämiseksi. Tunnistamalla menestykseen vaikuttavat avaintekijät, tämä tutkielma luo pohjaa tulevaisuuden tutkimiselle ennakoiviin malleihin ja menetelmiin, ehdottaen keinoja kehittyneiden analyysien ja koneoppimisen sisällyttämiseksi ennusteiden tarkentamiseen edelleen.In a rapidly evolving startup ecosystem, accurate prediction of startup success is crucial for entrepreneurs, investors and policymakers. This work examines the key roles of geographical location, startup industry and finance in predicting the success of a startup. Most commonly defined as the achievement of a corporate transaction. The study utilizes a dataset known as "Startup data," which consists of information from a well-known electronic platform called Kaggle. This dataset contains data on U.S. startup companies and their characteristics. We investigate how various variables influence the success of a startup, defined as whether a startup is "acquired," meaning successful, or "closed," meaning unsuccessful. To study these dimensions, we use logistic regression analysis, as well as cross-validation, to test the prediction question of the model. Our results reveal that while geographical location and industry play a significant role in a startup's success, the impact of funding, including venture capital, angel investments, and advancement through funding rounds (A-D) is profitable. The study highlights the complex interaction of these factors with the success of a startup. This research promotes an understanding of what drives a startup's success and provides insights that can inform strategies for promoting supportive startup ecosystems. By identifying the key factors contributing to success, this thesis lays the foundation for future research in predictive models and methods, proposing ways to incorporate advanced analysis and machine learning to further refine predictions.Description
Supervisor
Kohonen, JukkaThesis advisor
Kohonen, JukkaKeywords
Startup, ennustaminen, logistinen regressio