درخواست جذب سرمایه

چگونه داده کاوی شکست می‌تواند راز موفقیت استارتاپ ها را به ما بیاموزد؟

داده کاوی شکست

توماس ادیسون بزرگ‌ترین مخترع امریکا لقب گرفته است. او موفقیت‌هایی چون تولید نیروی الکتریکی، ضبط صدا و لامپ الکتریکی دارد.

در کنار موفقیت‌های زیادی که ادیسون دارد او با شکست بیگانه نیست. او قبل از اضافه کردن رشته کربن به لامپ که تبدیل به اولین لامپ تجاری موفق شد، ۱۰۰۰ راه مختلف را امتحان کرد و این سرسختی او را تبدیل به یک فرد متمایز کرد. ادیسون معتقد بود بسیاری از کسانی که شکست می‌خورند وقتی کارشان را رها می‌کنند نمی‌دانند چقدر به موفقیت نزدیکند.

اشخاص و گروه‌های زیادی ماهیت موفقیت را مورد مطالعه قرار داده‌اند و به بینش‌های مختلفی درباره‌ی موفقیت رسیده‌اند. اما روی دیگر سکه یعنی شکست، بسیار کمتر مورد مطالعه قرار گرفته در حالی که بسیار مهم‌تر است. ما در مورد مکانیزم‌هایی که بر پویایی شکست حاکم است بسیار کم می‌دانیم.

تیمی از محققان از دانشگاه نورث‌وسترن ایلینویز، ماهیت شکست را در سه گروه مختلف با مجموعه داده‌ای بزرگ مورد مطالعه قرار دادند تا پویایی شکست را بررسی کنند.

یکی از این گروه‌ها داده‌هایی از سوابق سرمایه گذاری روی استارتاپ ها در پایگاه داده‌ی NVCA (انجمن ملی سرمایه گذاری خطرپذیر امریکا) بود. این داده‌ها شامل استارتاپ هایی بودند که بین سال‌های ۱۹۷۰ تا ۲۰۱۷ از سرمایه گذاران خطرپذیر جذب سرمایه کرده بودند؛ ۵۸۱۱۱ شرکت شامل ۲۵۳۵۷۹ فرد نوآور.

در این مورد، موفقیت استارتاپ منوط به این بود که یا به اولین عرضه‌ی عمومی رسیده باشد و یا تا پنج سال از تاسیسش با قیمت بالایی ادغام و تملیک شده باشد.

سوال کلیدی تیم تحقیقاتی این بود که تلاش‌های گروه‌های مورد مطالعه در گذر زمان چه تغییراتی می‌کند و چه عواملی در این تغییرات دخیل است؟

این تیم به طور خاص دو عامل را که تصور می‌شود نقش مهمی در موفقیت و شکست دارند مورد مطالعه قرار دادند: شانس و یادگیری. آن‌ها ابتدا به سراغ شانس و این تصور که رویدادهای تصادفی نقش مهمی در افزایش یا کاهش شانس موفقیت بازی می‌کنند رفتند.

این موضوع ما را به سمت یک مدل ساده هدایت می‌کند. اگر شانس عامل کلیدی در تعیین موفقیت است، پس هر تلاشی احتمال محدودی در موفق شدن دارد. بنابراین باید تلاش‌های زیادی صورت گیرد تا نهایتا موفقیت رخ ‌دهد. این یعنی تعداد تلاش‌ها قبل از رسیدن به یک موفقیت باید از یک توزیع نمایی تبعیت کند.

محققان همچنین اولین و تلاش ماقبل آخر را در این سری شکست‌ها ارزیابی کردند و بعد آن‌ها را مورد مقایسه قرار دادند تا ببینند چگونه تغییر کرده‌اند. اگر شانس تنها چیزی است که اهمیت دارد پس نباید تفاوت زیادی وجود داشته باشد.

اما محققان می‌گویند تلاش ماقبل آخر بسیار بهتر از تلاش‌های اولیه هستند. این یعنی مکانیزم دیگری باید در کار باشد. و آن مکانیزم این است که افراد درگیر، در حال یادگیری هستند. به عبارت دیگر تجربه‌ی شکست درس‌های باارزشی می‌آموزد که می‌تواند دفعه بعد برای بهبود عملکرد استفاده شود.

چون یادگیری، تعداد تلاش‌های لازم برای موفقیت را کاهش می‌دهد، پس توزیع شکست باید باریک‌تر از توزیع نمایی باشد که در مدل شانس وجود داشت.

اما تیم تحقیقاتی در کمال شگفتی متوجه شد که سری شکست حتی از این الگو هم تبعیت نمی‌کند و توزیعی با دم بسیار کلفت‌تر دارد. این مشاهدات نشان می‌دهد که نه شانس و نه یادگیری به تنهایی نمی‌توانند الگوهای تجربی مبتنی بر شکست را توضیح دهند.»

پس عوامل مهم دیگر چه چیزهایی هستند؟ برای یافتن آن‌ها، محققان راه یادگیری از طریق تجربه و تاثیر آن بر تلاش بعدی را مدل‌سازی کردند. آن‌ها به طور خاص این مساله را که آیا افراد تمام تجارب قبلی خود یا بعضی از آن‌ها را به کار می‌بندند مدل‌سازی کردند.

محدوده‌ی کاملی از یادگیری در این مدل لحاظ شد؛ از یادگیری افرادی که همه‌ی تجارب قبلی خود را به کار می‌گیرند گرفته تا کسانی که از هیچ کدام از تجربیاتشان استفاده نمی‌کنند.

این مدل، یک تغییر فاز در رفتار را نشان می‌دهد که با داده‌های تجربی مطابقت دارد. وقتی سطح یادگیری از تجربه، پایین‌تر از یک آستانه قرار دارد تلاش های بعدی برای رسیدن به موفقیت کفایت نمی‌کند. در واقع راه این افراد با کاهش کیفیت کارشان به پایان می‌رسد.

اما وقتی سطح یادگیری افراد از تجربه، بالای آن آستانه قرار می‌گیرد تلاش‌های بعدی بهتر و بهتر می‌شود تا نهایتا به موفقیت می‌رسند. بنابراین عامل کلیدی، روش یادگیری افراد است.

این موضوع مفاهیم مهمی در بردارد. برای مثال به این معنی است که فرآیند یادگیری یک تیم نشانه‌ی خوبی از موفق شدن یا نشدن آن‌ها را دارد. محققان می‌گویند: «یافته‌های ما سیگنال‌های اولیه‌ای را آشکار می‌کند که به ما اجازه می‌دهد پویایی شکست را که منجر به موفقیت یا شکست می‌شود شناسایی کنیم.»

گام بعدی این محققان آنالیز یادگیری موفق است به طوری که از یادگیری ناموفق تمیز داده شود و نهایتا بتوان آن را به طور سیستماتیک آموزش داد. این مساله می‌تواند در قرار گرفتن تیم‌ها بر لبه رقابت بسیار اهمیت داشته باشد.

 

متن اصلی مقاله را می‌توانید در سایت technology review مطالعه کنید.

مطالب مشابه

ثبت دیدگاه جدید

نام ایمیل
دیدگاه