Vysoká škola ekonomická v Praze Fakulta podnikohospodářská
Posudek vedoucího diplomové práce
Název diplomové práce:
Autor diplomové práce:
Cíl diplomové práce:
Kritéria hodnocení (každé max 10 bodů) Přidělené body
1. Vymezení cíle a jeho naplnění 10
2. Adekvátnost použitých metod, způsob jejich použití 10
3. Náročnost tématu na získávání dalších znalostí či dovedností 10
4. Hloubka a správnost provedené analýzy (ve vztahu k cílům) 10
5. Práce s informačními zdroji a jejich citace 10
6. Logická stavba a členění práce 10
7. Jazyková a terminologická úroveň 10
8. Formální úprava a náležitosti práce, rozsah 10
9. Vlastní přínos k řešené problematice 10
10. Využitelnost výsledků práce v praxi/teorii 9
Celkové bodové hodnocení (max 100 bodů) 99
Výsledná známka výborně (1)
Celkové zhodnocení práce a otázky k obhajobě:
Jméno vedoucího diplomové práce:
Pracoviště vedoucího diplomové práce:
středa 2. září 2020
podpis vedoucího diplomové práce
H O D N O C E N Í D I P L O M O V É P R Á C E
"The goal of the thesis is to apply machine learning methods to predict startups’ success with the focus on the needs of the venture capital industry."
A Machine Learning Approach to Startup Success Prediction in the Context of Venture Capital Industry
Tereza Kalendová
Štěpán Bahník
KM FPH VŠE
The thesis uses multiple machine learning methods for prediction of success of startups. The thesis is generally very well done.
The goal of the thesis is clear and the selected methods are appropriate for its attainment. The study required advanced statistical knowledge, which was skillfully employed. The thesis is logically structured and it contains only useful information.
Apart from a rare typo, the text is well written and it fulfills all formal criteria. The thesis is of interest theoretically and could easily find applications as well. My only quibble with the work is that the contribution to the literature on the topic is not discussed in more detail. While it would be possible to question some of the analytical choices, a large part of the possible critique was acknowledged or addressed in the Limitations. Questions for the defense: 1) Would all the data be available for venture capitalists if they actually wanted to use the models for their funding decisions? If not, how would that change the models? 2) Is it possible that the logistic regression model would improve if possible interactions of the predictors were included? 3) How does the nature of the target variable as a measure of success rather than size of success limit usefuleness of the models?
