Некоторые считают, что только искусственный интеллект решит вековые проблемы — этот энтузиаст, который смотрит каждое шоу, которое рекомендует Netflix. Другие доверяют своему собственному суждению в отношении рекомендаций машин — того таксиста, который выбирает «секретный короткий путь», даже если Google Maps сообщает ему / ей, что это медленнее. В CircleUp мы считаем, что сочетание человеческих гипотез и алгоритмической объективности вместе сильнее, чем по отдельности. Шахматный гроссмейстер Гарри Каспаров, проигравший суперкомпьютеру IBM в 1996 и 1997 годах, сказал: «В матче «человек плюс машина против самой мощной машины» победит первая комбинация, потому что человеческий совет в очень особой ситуации может быть жизненно важным». Вы можете увидеть отражение нашей философии как в дискреционных, так и в систематических фондах. Оба сочетают в себе технологии и человеческое суждение.

То же самое относится и к различным отраслям, от нейрорадиологии до пилотирования самолетов. То, чего машинам не хватает в творчестве, интуиции и общении, они компенсируют вычислительной мощностью, структурированным решением проблем и объективностью. Мэри Каммингс из Компьютерного общества IEEE сказала: «Позволение человеку управлять высокоавтоматизированной системой дает результаты на 50% лучше, чем если бы автоматизация была предоставлена ​​самой себе. Сотрудничество между людьми и компьютерами, особенно в областях, основанных на знаниях, где можно использовать взаимодополняющие преимущества, имеет большой потенциал в будущем».

В CircleUp мы применяем сильные стороны человека и машины к частному инвестированию.

Одним из способов, которым это проявляется, является наша возможность проверки гипотез, когда мы используем человеческую эвристику для определения приоритетов того, что мы хотим проверить. Только в этом утверждении есть два понятия, которые важно определить.

  • Тестирование. В нашем контексте тестирование может варьироваться от прототипирования сигнала до построения модели и ее оптимизации. Мы используем человеческую эвристику в каждом из них.
  • Возможность. Под возможностью мы подразумеваем определенный, протестированный и повторяемый процесс, который имеет самостоятельную ценность для CircleUp и других компаний.

Чтобы проиллюстрировать эту возможность, мы рассмотрим один простой (и не особенно оригинальный) пример, связанный с динамикой категорий и тем, как они влияют на наше внимание к новым брендам в сфере потребительских товаров. Общая стратегия определения привлекательных компаний для конкретных категорий выглядит следующим образом:

Прорывные бренды распространены, когда…

  1. Существует большой будущий адресуемый рынок
  2. Текущий адресуемый рынок быстро растет
  3. Компания на рынке демонстрирует сильную динамику продаж

Чтобы проверить эту гипотезу, мы хотим количественно протестировать эффективность этой стратегии и сравнить ее с каким-либо эталоном.

  • Показатель эффективности.Результаты стратегии показывают, что, используя приведенный выше тезис для отбора привлекательных компаний, мы в 9,5 раз чаще выявляем «прорывные бренды» и на 50 % реже обнаруживаем неуспешные бренды.
  • Эталонный показатель. В целях упрощения мы будем сравнивать со стратегией случайного выбора, хотя мы понимаем, что это не отражает то, что мы пытаемся превзойти.

Детали:

Используя наши собственные данные о распространении, а также данные RMS Nielsen (в рамках программы Connected Partner Program), мы начинаем раскрывать эти гипотезы. Обратите внимание, что данные о дистрибуции CircleUp охватывают длинный хвост как розничных продавцов, так и компаний. На графике слевапоказано наше положение дел. Как в среднем выглядит рост продаж с течением времени для нашей когорты новых брендов, которая началась в 2013 году (красная линия)? Мы заметили, что большинство компаний сгруппированы вокруг красной линии, что свидетельствует о том, что компании в среднем остаются в состоянии стагнации с течением времени.

График справа определяет наш целевой набор брендов. Эти «прорывные бренды» (выделены красным) отмечают то, что мы хотели бы, чтобы любая инвестиционная стратегия, которую мы тестируем, непропорционально захватила, поскольку они продемонстрировали значительный рост. Точно так же эффективность любой инвестиционной стратегии также включает в себя то, сколько неудачных брендов (находящихся в самом низу) мы можем избежать.

Напомним гипотезу, которую необходимо проверить:

Прорывные бренды распространены, когда…

  1. Существует большой будущий адресуемый рынок
  2. Текущий адресуемый рынок быстро растет
  3. Компания на рынке демонстрирует сильную динамику продаж

Чтобы оценить эффективность этой гипотезы, мы создаем составную оценку для каждого бренда, которая основывается на каждом компоненте стратегии, описанной выше. Отсюда мы сортируем нашу составную метрику и сравниваем наши лучшие оценки (зеленые точки) с установленным набором целевых брендов (красные точки). Неудивительно, что мы проверили эту стратегию, основанную на гипотезе, и пришли к выводу, что она достойная. Но наша работа на этом не останавливается.

Хотя мы используем человеческую эвристику для определения приоритетов при построении моделей и влиянии на разработку функций, мы верим в необходимость использования исключительно основанного на данных подхода для алгоритмического определения факторов категории, свидетельствующих о росте развивающегося бренда. Внедряя в эту работу эвристически мотивированные функции, такие как смещение доли рынка от существующих к новым брендам, мы можем эффективно связать опыт традиционных инвесторов с объективным анализом. Мы продолжаем исследовать эффекты взаимодействия между набором переменных, двойным образом созданных как человеком, так и машиной, чтобы определить динамику категорий, которая наиболее способствует успеху прорыва.

Мы не будем раскрывать здесь частные детали всех функций или результаты анализа, но будьте уверены, что именно здесь машина перехитрила человека и где большие объемы данных могут опровергнуть предположения, которые инвесторы придерживались на протяжении десятилетий. Благодаря этой возможности расставлять приоритеты, тестировать и проверять предположения, мы находим замечательные возможности не только рассказывать истории с данными, но и переосмысливать традиционные, ошибочные предположения.