Verkenning van de potentie in automatisering van startup-investor matchmaking middels implementatie van machine learning-gebaseerde modellen.

Inleiding

Als matchmaker en co-investor helpt Golden Egg Check startups om in contact te komen met de meest relevante investeerders, en vice versa. We hebben hiervoor een semi-automatisch proces ontwikkeld, met ondersteuning van onze uitgebreide databases.

Doelstelling

Met GEC willen we de haalbaarheid onderzoeken naar een meer data-gedreven aanpak om het matchmaking-proces van startups en investeerders te automatiseren. Wij willen hierbij gebruikmaken van Machine Learning en data science technieken om onze manier van matchmaken te automatiseren, zodat dit op een schaalbare, internationaal relevante, nauwkeurige en effectieve manier kan gebeuren.

MIT-Haalbaarheidsstudie

Via de MIT-haalbaarheidsstudie willen we:

1. De economische haalbaarheid valideren door met startups, investeerders en (internationale) partners de schaalbaarheid van het businessmodel te toetsen en optimaliseren.
2. De technische haalbaarheid onderzoeken.

Technische Uitdagingen

Een belangrijk technisch knelpunt is data: om een kwalitatief matchmakingmodel te ontwikkelen, is een voldoende hoeveelheid trainingsgegevens nodig. Wij willen onderzoeken of de bestaande dataset voldoende is om het model te trainen.

Een andere technische uitdaging waar we voor staan, is om grote, complexe en dynamische datasets door middel van AI en ML zo te kunnen structureren, analyseren en interpreteren dat er waardevolle output, in dit geval gepersonaliseerde overzichten van relevante investeerders, kan worden gegenereerd.

Proof of Concept

In de PoC willen we de nauwkeurigheid van de voorgestelde aanpak meten (met behulp van de baseline van handmatig getagde matchmaking-resultaten) en de verbetering van de efficiëntie (in mensen/uren) om het potentieel van de voorgestelde oplossing te bepalen.