آیا ادغام می‌تواند راه‌حلی به‌منظور کاهش خطر شکست استارت‌آپ‌ها باشد؟

باوجود افزایش شکل‌گیری استارت‌آپ‌ها، متأسفانه براساس گزارش سایت تحقیقاتی Demandsage شاهد شکست 90درصدی آن‌ها هستیم. تحقیق «مینایف» (Minaev) از وب‌سایت Firstsiteguide نشان می‌دهد که 7.1‌درصد از استارت‌آپ‌های دنیا در صنعت فین‌تک (فناوری مالی) فعالیت می‌کنند. پس‌ازآن؛ استارت‌آپ‌های مربوط به علوم زندگی و مراقبت‌های بهداشتی با 6.8‌درصد، استارت‌آپ‌های مربوط به هوش مصنوعی با ‌درصد، بازی با 4.7‌درصد، Adtech (فناوری تبلیغات) با 3.3‌درصد و Edtech (فناوری آموزشی) با 2.8‌درصد هستند. یکی از مهم‌ترین عوامل که به ماندگاریِ فعالیت استارت‌آپ‌ها کمک می‌کند، تطبیق با آخرین تغییرات بازار است. چه‌بسیار شرکت‌های بزرگی که نتوانستند خود را با تغییرات روز همسو کنند و این، منجر به شکست آن‌ها شد. دیگر عوامل که باعث افزایش نرخ موفقیت در‌این‌شرکت‌های نوپا می‌شود، عبارت‌اند از محصول یا خدمات متمایز، تیم موفق، بازار هدف، مدیریت مالی، استراتژی بازاریابی، توانایی پیش‌بینی، تأمین منابع مالی موردنیاز، استفاده مؤثر از فناوری روز، مدیریت ریسک و درنهایت، ارتباطات مؤثر؛ چه با مشتریان و چه با شرکای تجاری.

ادغام؛ به‌عنوان یک استراتژی رشد
مهم‌ترین علتی که در ادغام شرکت‌ها نمود می‌یابد، به‌زعم «کینگ» و (همکارانش)؛ این مفهوم است که در «ادغام و تملک» (Mergers & Acquisitions)، ارزش دو شرکت باهم بیشتر از بخش‌های جداگانه آن‌هاست. در‌این‌مفهوم یعنی 5‌=‌2+2 شود. بااین‌حال، وقتی به‌عنوان استراتژی رشد نوبت به کارآمدی «ادغام و تملک» (M&A) می‌رسد، شاهدِ آنیم که محققان دهه‌ها درمورداینکه آیا M&A ارزش ایجاد می‌کند یا آن‌را از بین می‌برد، بحث می‌کنند. «مالمندیر» (و همکارانش) طی تحقیقی در سال 2018 اعلان کردند: به‌دلیل فشار قیمت هنگامِ «ادغام و تملک» بین شرکت‌ها، عدم‌تقارن اطلاعات یا ناکارآمدی بازار، بازده‌های اعلامی ممکن است مغرضانه باشد. این؛ چه در رویکرد کوتاه‌مدت و چه در رویکرد بلندمدت که چالش‌هایی مثل نبودِ تفاوت نتایج بین شرکت‌های ادغام‌شده با شرکت‌هایی که ادغام نشده‌اند و ناتوانی در تخمین دقیق «شروع بازده ادغام»، صدق می‌کند. طبق تحقیق «اسکات و بریدی» (2014)؛ نرخ موفقیت ادغام و تملک شرکت‌ها پایین است.

احتمال پیش‌بینیِ شکست استارت‌آپ‌های ادغام‌شده
گزارش IBM باعنوان «ابزارهای جدید برای ساخت مدل‌های پیش‌بینی» (2012)؛ روش‌های داده‌کاوی مانند «شبکه‌های عصبی مصنوعی» (Artificial Neural Networks) را بررسی کرد و در آن مطرح شد که «شبکه‌های عصبی مصنوعی»، از نورون‌هایی به‌هم‌پیوسته‌ تشکیل‌شده که قادر به تشخیص الگو، پیش‌بینی، طبقه‌بندی و یادگیری هستند. بعد، دانش به‌دست‌آمده از داده‌های ورودی، در سیستمی از اتصالات عصبیِ «وزن سیناپسی» ذخیره می‌شود. درمقایسه‌با مدل‌های آماری مرسوم پیش‌بینی و طبقه‌بندی، «شبکه‌های عصبی مصنوعی» چند مزیت اساسی دارند: انعطاف‌پذیر و تطبیقی بوده و امکان تجزیه‌وتحلیل داده‌ها را بدون فرضیه‌سازی روابط معین بین متغیرهای وابسته و مستقل فراهم می‌کنند. درنتیجه، اگر رابطه خطی بین متغیرها باشد، ANN ساختار خطی و رگرسیون خطی تقریبی را می‌آموزد و چنانچه رابطه غیرخطی باشد، ANN بهترین ساختار مدل متناسب با داده‌ها را جستجو می‌کند. اخیراً طی تحقیقی ازسوی «تاراسف» (و همکارانش) عملکرد مالی شرکت‌ها پس از ادغام در «ایالات‌متحده» بااستفاده‌از «شبکه عصبی مصنوعی» موردمطالعه قرار گرفت. محققین، داده‌های آماری خود را بین بازه 2011 تا 2021 و از بین شرکت‌های معامله‌شده سهامی عام و از پایگاه داده «بلومبرگ» استخراج نمودند. نتایج حاصل از تحقیق نشان داد: در کوتاه‌مدت، سودآوری شرکت‌های ادغام‌شده کاهشی قابل‌توجه داشته؛ درحالی‌که در ‌دوره بلندمدت (مثلاً پنج‌ساله) این‌گونه شرکت‌ها به سودآوری و ارزش بازار بالایی دست‌یافته‌اند. نیز مشخص شد با بهره‌گیری از «شبکه‌های عصبی مصنوعی» می‌توان با دقتی بالا پیش‌بینی کرد کدام ادغام ازنظر سرمایه و بازده متوسط موفقیت‌آمیزتر خواهد بود.
*کارشناس ارشد فناوری اطلاعات و ارتباطات

یاسر استادحسین