Analiza danych Private Equity w synchronizacji: studium przypadku

Ile alternatywnych źródeł danych potrzeba, aby dotrzeć do sedna strategii inwestycyjnej? Jeden? Dwa? Trzy? Więcej. Jako przykład spójrzmy na Filament AI i sposób, w jaki jego platforma wdraża i optymalizuje zewnętrzne zestawy danych analizy rynkowej , takie jak dane dotyczące ruchu w sieci i zaangażowania w sieci podobne.

Budowa platformy AI do analizy danych private equity

Kiedy założyłem Filament AI w 2016 roku z Dougiem Ayresem, nie zamierzaliśmy zabiegać o względy sektora inwestycyjnego. Uruchomiliśmy go jako specjalista w zakresie przetwarzania języka naturalnego (NLP) i uczenia maszynowego (ML). Branża sztucznej inteligencji (AI) wciąż była raczkująca, ale wiedzieliśmy, że na rynku korporacyjnym istnieje wiele potężnych zastosowań NLP i ML, i postanowiliśmy pomóc klientom w wykorzystaniu tych korzyści.

Potem pojawiły się wielkie nazwiska, takie jak HSBC i Deutsche Telekom, aby współpracować z Filament i ustanowić ich możliwości sztucznej inteligencji. Ale dopiero w 2018 roku zwróciliśmy uwagę na Private Equity. Pierwsi gracze na rynku private equity zaczęli korzystać z alternatywnych danych cyfrowych , które usprawniają procesy pozyskiwania transakcji i inwestycji. Zauważyliśmy, że firmy takie jak Likeweb oferują tym firmom przewagę konkurencyjną i postanowiliśmy specjalizować się w wykorzystaniu tej możliwości rynkowej.

Następnie spędziłem ostatnie 4 lata doradzając firmom PE i firmom zajmującym się finansami korporacyjnymi, jak wykorzystać dane i zastrzeżoną sztuczną inteligencję. W trakcie tego procesu opracowaliśmy platformę integracyjną o nazwie Syfter , która jest wdrażana w środowisku informatycznym firm PE i pomaga zestawiać i przetwarzać dane, które napędzają decyzje. Integracja różnych danych i stosowanie technik NLP i ML daje tym firmom pełny wgląd w firmę docelową.

W ciągu ostatniego roku rynek eksplodował zainteresowaniem. PE wykorzystujący strategie analizy danych w celu zwiększenia własności intelektualnej portfela i wyceny stosują je teraz w procesach wewnętrznych. Wiele EP zatrudnia analityków danych i inżynierów danych oraz pełni funkcje kierownicze, aby napędzać transformację. Ta presja pochodzi ze źródła finansowania, a komandytariusze wymagają teraz wyrafinowanego podejścia do zarządzania danymi.

Platforma AI + źródło danych =

Większość firm PE ma 6 lub więcej subskrypcji danych stron trzecich zapewniających wgląd w rynek. W tradycyjnym modelu analitycy inwestycyjni wykonują trudne zadania, aby być na bieżąco ze spostrzeżeniami rynkowymi i tworzyć okazje do atrakcyjnych transakcji.

Filament pomógł wielu z tych firm zautomatyzować aktywne i pasywne badania rynku. Poza znanymi relacjami w CRM pomagamy śledzić i pozyskiwać potencjalne relacje z szerszego świata firmy, zazwyczaj do miliona firm, które mogą chcieć zaangażować w przyszłości.

Architektura Syfter integruje Likeweb z wieloma innymi ustrukturyzowanymi i nieustrukturyzowanymi źródłami danych rynkowych.

Daje to niezwykle cenny wgląd w rynek w czasie rzeczywistym do badań, inicjowania i zarządzania transakcjami. Zapewnia również wartość dodaną spółkom portfelowym i śledzi ekosystem konkurentów, nabywców i partnerów. Każde rozwiązanie opiera się na ustrukturyzowanych danych finansowych (EBITDA, wzrost liczby pracowników itp.), a pełny widok 360 stopni można uzyskać tylko poprzez zagłębienie się w kopalnię złota alternatywnych źródeł danych, takich jak wiadomości firmowe i sygnały dotyczące aktywności w mediach, a następnie sklasyfikowanie tych danych na różne kategorie (np. zmiany w zarządzie, pogłoski o fuzjach i przejęciach itp.). Jednak obecnie coraz częściej firmy PE zwracają się do spostrzeżeń dostarczanych przez zachowanie firmy w Internecie jako kluczowego wyróżnika.

Dodawanie danych o ruchu i zaangażowaniu w sieci podobnej sieci

W wyniku ograniczeń związanych z pandemią większy odsetek transakcji biznesowych przeniósł się do sieci, zapewniając ścieżkę danych o wynikach firmy, którą inwestorzy mogą gromadzić i analizować. Podobne dane internetowe zapewniają okno do świata analizy danych online, a nasi klienci PE czerpią z tego korzyści. Korzystają z narzędzia Investor Intelligence firmy podobneweb, aby uzyskać wgląd w czasie rzeczywistym w wyniki firmy, ryzyko i pozycję na rynku. Nasz zespół analityków danych pomógł im uzyskać coraz bardziej subtelne informacje w kilku kluczowych przypadkach użycia:

1. Prognoza przychodów w ciągu roku poprzez dopasowanie rocznego ruchu internetowego do wyników finansowych
2. Analiza Company GTM zapewnia dogłębne zrozumienie, w jaki sposób firma pozycjonuje się, pozyskuje klientów i zarabia pieniądze
3. Alerty pasywne, które sygnalizują inwestorom gwałtowny wzrost ruchu w sieci, zmianę pozycjonowania lub profilu interesariuszy
4. Optymalizacja portfela pomaga firmom PE wspierać operacje portfelowe poprzez znajdowanie nowych rynków, analizowanie i porównywanie podróży klienta oraz poprawę efektywności marketingowej
5. Przejęcia portfelowe usprawniają strategie kupowania i budowania w celu znalezienia celów przejęć, które pasują do strategii inwestycyjnej firmy

Firmy PE, które przyjęły to podejście, odnotowują przewagę w swoich działaniach i wydajności dzięki przydatnym wnioskom dotyczącym obecnych spółek portfelowych i przyszłych transakcji.

Zgromadzone dane zapewniają usprawnioną analizę rynku i bogaty wsteczny katalog spostrzeżeń dotyczących rynku docelowego. Pozwala to na retrospektywną analizę trendów rynkowych w celu poinformowania i zweryfikowania tez inwestycyjnych. Te wyselekcjonowane dane ograniczają również zastrzeżoną wiedzę zespołu inwestycyjnego, dzięki czemu firma PE jest mniej podatna na rotację pracowników.

Na coraz bardziej konkurencyjnym rynku PE najważniejsza jest przewaga.

Filament AI koncentruje się na pomaganiu firmom PE w budowaniu własnych platform AI. Ich platforma Syfter stworzyła bazę danych i technologię uczenia maszynowego, których potrzebuje każda firma PE. Dzięki białemu oznakowaniu Syfter i zaangażowaniu profesjonalnych usług Filament, firmy PE mogą uruchomić zastrzeżony system w ciągu tygodni, a nie lat. Dzięki takiemu podejściu wysiłek konfiguracyjny i budżet można skoncentrować na prawdziwej przewadze konkurencyjnej: czyli unikalnych danych i unikalnych algorytmach ML dostosowanych do ich tezy inwestycyjnej.