Oportunidades de investimento em estágio inicial são notoriamente opacas. Durante o período em que empresas ou inventores começaram a desenvolver uma tecnologia, produto ou serviço, mas ainda não estão prontos para o mercado, é difícil determinar quais inovações têm maior probabilidade de ter sucesso. Isso é particularmente verdadeiro em indústrias como a biofarma, onde a descoberta e a investigação de metas de medicamentos podem começar décadas antes que o sucesso seja evidente na forma de retornos financeiros. Os investidores usam uma combinação de métricas específicas e outras informações mais qualitativas em sua tentativa de identificar as empresas que provavelmente brilharão. No entanto, os dados são altamente complexos e muitas vezes não está claro quais métricas melhor se correlacionam com o sucesso.
Essas condições desafiadoras criam uma oportunidade fantástica. Há uma riqueza de métricas de líder indicador que temos fortes motivos para acreditar que podem ajudar a prever o sucesso. Mas exatamente quais são mais importantes e como eles interagem entre si são difíceis para a inteligência humana decifrar. Como Tecnologias de Inteligência Artificial (AI)= maduro, uma solução pode estar à vista. Nossa pesquisa mostra que a aplicação do aprendizado de máquina (ML) a critérios de pré -referência pode melhorar a capacidade dos métodos tradicionais de determinar a probabilidade de sucesso de uma startup. Além disso, permite que os investidores acelerem o processo e examinem um número muito maior de oportunidades em potencial.
O valor dessa abordagem é significativo. No ambiente de negócios de hoje, ser capaz de tomar decisões de investimento com apenas um pouco mais de certeza-se isso significa aproveitar uma boa oportunidade ou evitar uma ruim-poderia valer bilhões de dólares. Como cada avaliação requer muito tempo, a maioria das equipes pode avaliar realisticamente apenas um pequeno número de empresas em um determinado ano. Uma grande empresa de biofarma, por exemplo, pode observar apenas 25 metas em potencial em um ano, das quais apenas um ou dois podem valer a pena perseguir. Além disso, as fontes dessas oportunidades de investimento geralmente são ad hoc, provenientes de banqueiros de investimento ou executivos da empresa que os descobrem por meio de suas redes ou em conferências ou feiras. O volume e a complexidade dos dados que devem ser peneirados cresceram exponencialmente. Como resultado, as equipes de desenvolvimento de negócios (BD) não podem manter uma visibilidade profunda em todos os possíveis investimentos em estágio inicial que estão por aí, e lutam para tomar decisões de investimento oportunas e informadas. No processo tradicional de triagem-alvo, os investidores em potencial dependem dos resultados de diferentes tipos de análises, juntamente com sua própria intuição comercial. Complementando essa abordagem humana, os algoritmos ML podem digitalizar dados para determinar quais variáveis contribuem mais para o sucesso geral, representam as não linearidades e as interações entre variáveis e classificar as oportunidades de acordo. Enquanto houver um conjunto de treinamento suficientemente grande, a IA pode elucidar nuances que iludem os seres humanos. Um exemplo: desenvolvemos um modelo de sucesso para quase 300 empresas de imuno-oncologia- usando apenas dados disponíveis em 2014- para prever como essas empresas seriam realizadas em 2017. Quando aplicadas a um conjunto de testes separado, o modelo identificou com sucesso as empresas com excesso e com desempenho inferior a 70% das vezes, o que é significativamente melhor que o acaso. Nosso modelo também tinha um valor muito bom da “área sob a curva” (AUC) - uma medida de poder preditivo - de 0,76. (Consulte o Anexo 1.)
Identifying Early-Stage Opportunities by Conventional Means
Finding the best early-stage opportunities to invest in—whether startup companies, early drug targets, or emerging technologies—is a challenging proposition. Because each assessment requires a great deal of time, most teams can realistically assess only a small number of companies in any given year. A large biopharma company, for example, may look at only 25 potential targets in a year, of which only one or two may turn out to be worth pursuing. Furthermore, the sources of these investment opportunities are often ad hoc, coming from investment bankers or company executives who happen to discover them via their networks or at conferences or trade shows.
In recent years, the haystack hiding the needle has grown significantly larger. The volume and complexity of the data that must be sifted have grown exponentially. As a result, business development (BD) teams can’t maintain deep visibility into all the potential early-stage investments that are out there, and they struggle to make timely and informed investment decisions.
Building a Predictive Model
AI can help. In the traditional target-screening process, potential investors rely on the results of different kinds of analyses, along with their own business intuition. Complementing this human approach, ML algorithms can scan data to determine which variables contribute the most to overall success, account for nonlinearities and the interactions between variables, and rank opportunities accordingly. As long as there is a sufficiently large training set, AI can elucidate nuances that elude humans.
The key lies in building a predictive model that is based on a robust train-test methodology. An example: we developed a model of success for nearly 300 immuno-oncology companies—using only data available in 2014—to predict how these companies would perform in 2017. When applied to a separate test set, the model successfully identified both over- and underperforming companies 70% of the time, which is significantly better than chance. Our model also had a very good “area under the curve” (AUC) value—a measure of predictive power—of 0.76. (See Exhibit 1.)
To be effective, such a model must be built on a relevant and meaningful definition of success. Given that some conventional financial metrics are irrelevant for prerevenue companies, we first trained and tested the model using total shareholder return (TSR) as the success variable and correlated current success with historical performance on prerevenue metrics. This makes it possible to apply the model to companies today on the basis of these same metrics and assess their likelihood of success in the future, even if the companies are not yet generating any revenue.
Which measures most strongly correlate with future success? Interestingly, although we initially included both financial and nonfinancial metrics in our model, we found that nonfinancial metrics are particularly helpful for uncovering previously unknown opportunities. These metrics include data regarding publications, grants, patents, and similar variables. Of these prerevenue metrics, indicators of scientific acumen are the strongest contributors, followed by measures of influence and technology. (See Exhibit 2.)
Many of these metrics are the same kinds of factors that people weigh when assessing a company or other investment opportunity. The difference is that people do it in an intuitive way based on a limited set of prior comparables, whereas AI employs a quantitative algorithm based on a large training set. This doesn’t mean that BD departments should jettison their experienced staff in favor of AI. Nor is it fair to say the opposite. As in many other domains, the best results to date have been achieved by combining the inputs from both sources.
Casting a Wider Net at an Earlier Stage
The advantages of combining artificial intelligence and prerevenue metrics are considerable. This approach not only enables companies to screen a larger number of early-stage assets much faster and more cheaply than in the past but also lets them use a much wider range of criteria in the screening process.
This method is applicable to many different use cases, all of them with the potential to create tremendous value, especially in technology-driven industries:
- Monitoring progress in early stages of product development
- R&D Priorização e alocação de recursos
- Sorting false positives from likely successes (in assessment of potential products)
- Early-stage licensing and investment
- Creation of options, either progressive or full acquisitions
- Valuing late-stage and in-market companies
- Identifying investment opportunities
Uma empresa de biopharma, por exemplo, aplicou a técnica para prever quais combinações de alvos biológicos e indicações clínicas provavelmente levariam a medicamentos bem -sucedidos no câncer. O modelo preditivo, que foi treinado em cerca de um milhão de pontos de dados de centenas de pares de indicação de alvo para os quais o resultado da progressão do medicamento foi conhecido, demonstrou novamente que as variáveis relacionadas à perspicácia científica têm a maior potência preditiva. Graças à maior disponibilidade e acesso a dados, opções de armazenamento baseadas em nuvem que reduzem a necessidade de infraestrutura interna e pacotes estatísticos que estão em idiomas fáceis de usar, as empresas podem implantar a ML em sua vantagem. Três pré -requisitos são especialmente importantes. É essencial posicionar a IA entre as outras ferramentas na caixa de ferramentas digitais. A IA complementa e complementa a experiência e as relações de tópicos profundos das equipes de BD e P&D-não as substitui. Muitas empresas têm relativamente pouca digitalização de processos e carecem de uma abordagem sistemática para alavancar os ecossistemas de parceiros e sua riqueza de dados. Eles também precisam ser capazes de incorporar esses resultados nos processos internos usados para tomar decisões de investimento. Isso requer engajamento e adesão de especialistas e tomadores de decisão experientes que estão dispostos a aprender sobre a abordagem, aplicá-la adequadamente e confie nas idéias.
Adding AI to the BD Toolbox
There’s no better time to get on the AI bandwagon. Thanks to greater availability of and access to data, cloud-based storage options that reduce the need for internal infrastructure, and statistical packages that are in easy-to-use languages, companies can deploy ML to their advantage.
But before getting started, it’s critical for companies to determine whether they have the capabilities to integrate AI into their business development and target identification processes. Three prerequisites are especially important.
Alignment with Overall Business and Digital Strategy. Before launching any AI initiative, companies first need to be clear on their overall goals and expectations for using it, and how it fits into their overall business and digital strategy. It’s essential to position AI among the other tools in the digital toolbox. AI complements and supplements the deep topic expertise and relationships of the BD and R&D teams—it does not replace them.
Access to the Right Data and Digital Tools. Companies need to make sure that they have the tools and infrastructure required for working with the most up-to-date data, as a recent BCG article explains. Many companies have relatively little process digitization and lack a systematic approach for leveraging partner ecosystems and their wealth of data.
Equally important, companies must be able to incorporate the results of their digital analyses into a robust process for screening opportunities. They also need to be able to incorporate these results into the internal processes used to make investment decisions. This requires engagement with, and buy-in from, experts and seasoned decision makers who are willing to learn about the approach, apply it appropriately, and trust the insights.
Os tipos certos de especialização. não é suficiente. Também são importantes especialistas e especialistas em análises de inovação-pessoas que entendem as nuances envolvidas na apresentação de indicadores significativos de sucesso da pré-reinicialização, que são hábeis em encontrar maneiras de medir alguns dos fatores menos quantificáveis e que podem verificar e ajudar a ajustar os modelos ao longo do tempo. Por exemplo, entender as variáveis que mais contribuem para o poder preditivo do modelo pode ajudar a definir etapas de ação para o monitoramento contínuo de novos desenvolvimentos. Em muitos campos, como seleção de perspectivas de beisebol e previsão do tempo, os melhores resultados são frequentemente obtidos usando uma combinação de inteligência humana e de máquina. Acreditamos que o mesmo vale para o investimento em estágio inicial. Data scientists are required, and it’s important that some of them have years of experience working with the pertinent types of data and analytics.
But data scientists alone are not enough. Also important are subject matter experts and experts in innovation analytics—people who understand the nuances involved in coming up with meaningful prerevenue success indicators, who are adept at finding ways to measure some of the less quantifiable factors, and who can sense-check and help adjust models over time.
In addition, it’s critical to have people who can interpret the results from a strategic perspective. For example, understanding the variables that contribute most to the predictive power of the model can help define action steps for ongoing monitoring of new developments. In many fields, such as baseball prospect selection and weather forecasting, the best results are often obtained using a combination of human and machine intelligence. We believe the same holds true in early-stage investing.
Apesar da promessa de aprendizado de máquina, ele ainda não ganhou ampla tração nos círculos de desenvolvimento de negócios, embora dezenas de capital de risco e empresas de private equity estejam usando a tecnologia para decisões de investimento, e muitas startups vão comercializar com modelos prontos. Mas existem apenas algumas empresas que atualmente implantam aprendizado de máquina para fins de desenvolvimento de negócios. O processo é desafiador, exigindo muito tempo e muitas iterações, e não há garantia de sucesso de aquisição. Mas, ao contrário, a adição de aprendizado de máquina à mistura provavelmente tornará mais fácil, rápido e mais barato encontrar a agulha no palheiro sempre crescente. Mesmo que melhore a velocidade e a tomada de decisão por apenas uma pequena fração, isso é suficiente para ser extremamente valioso em um ambiente em que as empresas estão gastando centenas de milhões de dólares para obter uma vantagem competitiva.
Alexander Aboshiha
Our research clearly demonstrates that using machine learning to analyze nontraditional metrics, in conjunction with traditional scouting and target identification activities, can greatly facilitate the prioritization of early-stage opportunities that hold the highest likelihood of success. The process is challenging, requiring much time and many iterations, and there is no guarantee of acquisition success. But all told, adding machine learning to the mix is likely to make it easier, faster, and cheaper to find the needle in the ever-growing haystack. Even if it improves speed and decision making by only a small fraction, that’s enough to be hugely valuable in an environment where companies are spending hundreds of millions of dollars to get a competitive edge.
