Н.Е. Садковская1, А.Н. Манин2, А.П. Горшкова3, А.В. Прудников4
1–4 Московский авиационный институт (национальный исследовательский университет) (Москва, Россия)

1 natsadkovskaya@rambler.ru, 2 andreym012@gmail.com, 3 alyaayg@yandex.ru, 4 AlexPrudnikov1@yandex.ru

Постановка проблемы. В последние годы стартапы играют ключевую роль в инновационном развитии и экономическом росте. Несмотря на существующие программы поддержки, большинство стартапов сталкиваются с трудностями на пути к успеху. Оценка перспектив стартапов остается сложной задачей, требующей учета множества факторов. Традиционные методы анализа часто не учитывают всей сложности ситуации, особенно когда речь идет о неструктурированных данных. Развитие методов машинного обучения и искусственного интеллекта дает новые возможности для более эффективного анализа стартапов. Однако их практическое применение требует предварительной оценки целесообразности и эффективности таких подходов.

Цель. Оценить целесообразность применения методов машинного обучения и искусственного интеллекта для анализа успешности стартапов с акцентом на проверку их практической применимости в реальных условиях.

Результаты. Проведены экспериментальные исследования с различными методами машинного обучения и искусственного интеллекта для анализа как текстовых, так и количественных данных стартапов. Показано, что методы искусственного интеллекта могут давать обоснованные прогнозы, однако их точность и практическая полезность зависят от множества факторов, таких как качество данных и рыночная специфика. Выявлено, что данные методы могут быть полезны для первичной фильтрации стартапов, но для более точного анализа и принятия решений требуется дополнительная настройка и доработка моделей.

Практическая значимость. Методы машинного обучения и искусственного интеллекта могут существенно улучшить процесс первичного анализа стартапов, а также помочь в принятии обоснованных решений для инвесторов и акселераторов. Однако для эффективного использования таких методов требуется улучшение качества данных и дальнейшая настройка моделей с учетом специфики разных секторов.

Садковская Н.Е., Манин А.Н., Горшкова А.П., Прудников А.В. Практическое применение методов машинного обучения и искусственного интеллекта при первичном анализе успешности стартапов // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 2. С. 13–22. DOI: https://doi.org/10.18127/j19998554-202502-02

1. Головашкина А.А. Особенности запуска стартапов: проблемы, факторы, нюансы // Молодой ученый. 2023. № 23 (470). С. 237–241.
2. RB CHOICE – 100 перспективных российских стартапов [Электронный ресурс] / URL: https://rb.ru/list/rb-choice-100-2022/ (дата обращения: 29.11.2024).
3. RB CHOICE – 100 перспективных российских стартапов 2023 года [Электронный ресурс] / URL: https://rb.ru/longread/rb-choice-100-2023/ (дата обращения: 29.11.2024).
4. Сатаев П.А. Рекомендации по развитию стартапа с учетом значимых факторов // Известия СПБГЭУ. 2022. № 3 (135) [Электронный ресурс] / URL: https://cyberleninka.ru/article/n/rekomendatsii-po-razvitiyu-startapa-s-uchetom-znachimyh-faktorov (дата обращения: 29.11.2024).
5. Hota S.L., Mohanty N., Kumar A., Panda K. Achieving sustainability in newly founded start-up businesses: Navigating challenges and gaining insights // Recoletos Multidisciplinary Research Journal. V. 12. № 1. P. 1–7. DOI: 10.32871/rmrj2412.01.01.
6. Раева И.В. Стартап: понятие, особенности, методы оценки // Имущественные отношения в РФ. 2021. № 6 (237) [Электронный ресурс] / URL: https://cyberleninka.ru/article/n/startap-ponyatie-osobennosti-metody-otsenki (дата обращения: 30.11.2024).
7. Кольцов М.А., Сидоров Д.В., Соколов И.Н. «Иннотермс» как инструмент преодоления трансляционного барьера, возникающего между участниками инновационного процесса // Инновации. 2016. № 12 (218) [Электронный ресурс] / URL: https://cyberle­ninka.ru/article/n/innoterms-kak-instrument-preodoleniya-translyatsionnogo-bariera-voznikayuschego-mezhdu-uchastnikami-innova­tsionnogo-protsessa (дата обращения: 30.11.2024).
8. Кожанова А.В. Механизм финансирования российских стартапов на разных стадиях их жизненного цикла. Дисс. … канд. экон. наук. М. 2021.
9. Трусова Ю.А., Ильина А.И. Методология внедрения машинного обучения в банковской сфере // Вестник Самарского университета. Экономика и управление. 2023. № 4 [Электронный ресурс] / URL: https://cyberleninka.ru/article/n/metodologiya-vnedreniya-mashinnogo-obucheniya-v-bankovskoy-sfere (дата обращения: 02.12.2024).
10. Divyashree S., Joshua C.J., Md A.Q. et al. Enabling business sustainability for stock market data using machine learning and deep learning approaches // Annals of Operations Research. 2024. V. 342. P. 287–322. DOI: 10.1007/s10479-024-06118-x.
11. Siddiqui D., Mumtaz U., Ahmad N. Artificial intelligence in entrepreneurship: A bibliometric analysis of the literature // Journal of Global Entrepreneurship Research. 2024. V. 14. DOI: 10.1007/s40497-024-00385-5.
12. Bidgoli M.R., Vanani I.R., Goodarzi M. Predicting the success of startups using a machine learning approach // Journal of Innovation and Entrepreneurship. 2024. V. 13. DOI: 10.1186/s13731-024-00436-x.
13. Kalbande S., Karmore R. Startup success prediction using machine learning / In: Swaroop A., Kansal V., Fortino G., Hassanien A.E. (Eds.) Proceedings of Fifth Doctoral Symposium on Computational Intelligence (DoSCI-2024). Lecture Notes in Networks and Systems. 2024. V. 1086. Springer, Singapore. DOI: 10.1007/978-981-97-6036-7_26.
14. Ковальков Д.В. Искусственный интеллект в бизнес-анализе и его ценность использования в бизнесе // Вестник науки. 2024. № 6 (75) [Электронный ресурс] / URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-biznes-analize-i-ego-tsennost-ispolzovaniya-v-biznese (дата обращения: 03.12.2024).
15. Python 3.12.7 documentation [Электронный ресурс] / URL: https://docs.python.org/3.12/.
16. Matplotlib 3.9.3 documentation [Электронный ресурс] / URL: https://matplotlib.org/stable/index.html.