earticle

영어

This study analyzed the determinants of scale-up success of domestic startupsusing data from Crunchbase. For this purpose, a machine learning-based scale-upsuccess prediction model is proposed using data from 3,750 domestic startups,which has a history of receiving investment, and measured the contribution ofeach input variable on the success prediction. After selecting the optimal modelthrough a comparison of 14 different machine learning algorithms, we optimizedthe performance indicators through hyperparameter tuning, and then measuredthe importance of the variables. Out of the 17 variables, the number of similarcompanies, total number of investors, number of patents, number of fundingrounds, and number of technology stacks were identified as the importantscale-up success determinants. This suggests that firms operating in marketsegments with high growth potential and having high technology independenceand diversity might be more likely to succeed in scale-up. The results of thisstudy could be utilized as a tool for investors to make investment decisions andprovide important evidence for formulating policy recommendations to build aproper scale-up ecosystem. Furthermore, this study is also expected to contributeto the establishment of future business support policies based on an in-depthunderstanding of the domestic startup ecosystem.

한국어

본 연구는 Crunchbase의 데이터를 이용해 국내 스타트업의 스케일업 성공에 영향을 미치는 결정요인 분석을 진행하였다. 이를 위해 투자를 받은 이력이 있는 3,750개의 국내 스타트업을 대상으로 머신러닝 기반 스케일업 성공예측 모델을 제안하고 이를 바탕으로 스케일업 성공 결정요인을 도출하였다. 총 14개의 서로 다른 머신러닝 알고리즘의 비교를 통해 최적의 모델을 선정 후, 하이퍼파라미터 튜닝을 통해 성능지표에 대한 최적화를 수행, 마지막으로 변수의 중요도를 측정하였다. 그 결과 총 17개의 변수 중 유사한 기업의 수, 총 투자자의 수, 기업이 보유한 특허 수, 펀딩 라운드 수 그리고 기업이 보유한 기술 스택 수가 중요 스케일업 성공 결정요인으로 확인되었다. 이는 성장 가능성이 큰 세부시장에서 활동하며 기술의 자립도와 다양성이 높은 기업일수록 스케일업 성공이 용이할 수 있음을 의미한다. 본 연구의 결과는 투자자의 투자 결정을 위한 도구로 활용될 수 있고, 스케일업 생태계 구축을 위한 정책적 제언을 수립하는 데 중요한 근거 자료를 제공할 수 있다. 나아가, 본 연구는 국내 스타트업 생태계에 대한 심층적인 이해를 제공하며, 이를 통해 향후 기업지원 정책 방향성 수립에도 기여할 수 있을 것으로 기대한다.