This dissertation explores innovative approaches for the collection, verification and application of private company data in the context of venture capital (VC). The first study showcases how the combination of a novel bottom-up data collection approach and a rule-based data mining technique results in a large-scale private company dataset. This dataset is subsequently applied to reverse-engineer the portfolios of different venture capitalists and resolve the question of whether portfolio diversification or specialization is more successful for them. The second study compares actual information on private companies with their representation in the eight most prominent “VC databases”. The results allow researchers and practitioners to better understand the coverage and potential biases of these datasets and hereby interpret the information more accurately. Finally, the third study compares the investment screening performance between various machine learning algorithms and human investment professionals.      «

This dissertation explores innovative approaches for the collection, verification and application of private company data in the context of venture capital (VC). The first study showcases how the combination of a novel bottom-up data collection approach and a rule-based data mining technique results in a large-scale private company dataset. This dataset is subsequently applied to reverse-engineer the portfolios of different venture capitalists and resolve the question of whether portfolio divers...     »

Diese Dissertation erforscht innovative Ansätze zum Sammeln, Verifizieren und Anwenden von privaten Unternehmensdaten im Kontext von Venture Capital (VC). Die erste Studie zeigt, wie die Kombination von einem bottom-up Datenerfassungsansatz und einer regelbasierten Data-Mining Methode zu einem umfangreichen Datensatz privater Unternehmen führt. Dieser Datensatz wird anschließend dazu genutzt, die Portfolien verschiedener Risikokapitalgeber zu rekonstruieren und die Frage zu beantworten, ob Portfoliodiversifizierung oder -spezialisierung erfolgreicher für diese Investoren ist. Die zweite Studie vergleicht tatsächliche Informationen privater Unternehmen mit deren Darstellung in den acht meist bekanntesten „VC Datenbanken“. Die Ergebnisse ermöglichen sowohl Forschern als auch Praktikern den Umfang und potentielle Verzerrungen der Datensätze besser zu verstehen und entsprechende Informationen akkurater zu interpretieren. Zuletzt vergleicht die dritte Studie die Investment Screening Performance zwischen verschiedenen Machine Learning Algorithmen und menschlichen Investment Professionals.     «

Diese Dissertation erforscht innovative Ansätze zum Sammeln, Verifizieren und Anwenden von privaten Unternehmensdaten im Kontext von Venture Capital (VC). Die erste Studie zeigt, wie die Kombination von einem bottom-up Datenerfassungsansatz und einer regelbasierten Data-Mining Methode zu einem umfangreichen Datensatz privater Unternehmen führt. Dieser Datensatz wird anschließend dazu genutzt, die Portfolien verschiedener Risikokapitalgeber zu rekonstruieren und die Frage zu beantworten, ob Portf...     »