ارائه رویکردی نوین مبتنی بر قواعد انجمنی و الگوریتم‌های بهینه‌سازی به‌منظور پیش‌بینی موفقیت شرکت‌های نوآفرین: مورد کشور ایران

با توجه به وضعیت کنونی اقتصاد، کارشناسان معتقدند که راه‌اندازی شرکت‌های نوآفرین  در بستر زیست‌بوم نوآفرینی می‌تواند رویکرد موثری برای کشورهای درحال‌توسعه باشد. با توجه به اینکه تعداد زیادی از شرکت‌ها شکست می‌خورند، اما عوامل کلیدی وجود دارد که می‌تواند شرکت‌های نوآفرین را در دستیابی به مسیر صحیح تا رسیدن به موفقیت کمک کند. پژوهش پیش رو باهدف شناسایی عوامل موفقیت شرکت‌های نوآفرین در ایران است که به پیش‌بینی موفقیت این شرکت‌ها کمک می‌کند. یکی از روش‌های توانمند داده‌کاوی کشف ارتباط در میان مجموعه‌ای از داده‌ها است که حاصل آن کشف یک سری قوانین انجمنی برای شناسایی روابط قوی میان فعالیت‌های کسب‌وکار به‌منظور شناسایی امکان موفقیت است. داده‌های جمع‌آوری‌شده در پژوهش پیش رو شامل 165 مورد شرکت نوآفرین ایرانی است که فعالیت خود را از شتاب‌دهنده‌ها آغاز کرده‌اند. استخراج متغیرهای مستقل پیش‌بینی کننده موفقیت ابتدا طبق روش تحقیق استخراج‌شده و سپس به‌دقت برای هر شرکت نوآفرین وضعیت متغیر مقدار شده است. متغیر وابسته از طریق بررسی وب سایت، نرم‌افزار کاربردی و ... بر مبنای وضعیت فعالیت شرکت نوآفرین ارزیابی‌شده و در صورت تداوم فعالیت شرکت، شرکت نوآفرین موفق ارزیابی‌شده است. نهایتاً در این پژوهش در فاز اول به کمک الگوریتم‌های ماشین بردار پشتیبان، درخت تصمیم‌گیری، k نزدیک‌ترین همسایگی و جستجوی فاخته برای انتخاب موثرترین متغیرهای مستقل یا همان عوامل موفقیت شرکت‌‌های نوآفرین شده و در فاز دوم به‌واسطه این عوامل قواعد انجمنی با اپریوری استخراج‌شده است. نتایج قواعد انجمنی همچنین گویای این موضوع است که در شرکت‌های نوآفرین بررسی‌شده انعطاف‌پذیری و مقیاس‌پذیری هم‌زمان باهم دو عامل مهم جهت موفقیت شمرده می‌شود.

a rulebase business success versus failure apriori prediction model: a case of iranian start-ups

in the current economy and entrepreneurship situation in developing countries, experts maintain that establishing startup companies proves an efficient and promising approach. in spite of the fact, many startup companies are failed. however, there are key factors, which can help such companies follow the path to success. this research aims to identify the factors, which led to success of startup companies in iran. accordingly, one of the important roles of data mining is exploring the relationship between datasets, and getting the result of a series of associationbased rules for identifying the strong relations between business activities. the data of this study is collected from a total of 165 iranian startup companies. the feature’s columns included 41 success factors of startup companies addressed in domestic and foreign studies. for the prediction phase, we use the help of support vector machine algorithm, decision tree and knearest neighboring to classification. the feature selection technique in order to come up with the most efficient success factor of startup companies is cuckoo search. finally, rules are extracted by means of apriori algorithms. the results indicate that factors such as, namely, entrepreneurship experience, working duration, skills, type of service or product, target market, blue ocean or red ocean strategy, flexibility, scalability, customer loyalty, presence or lack of presence in an accelerator, and firststage of investor are the most important factors that have the greatest effects in a startup’s success. moreover, the extracted results reveal that flexibility, and scalability are considered as two key factors contributing to success of iranian startup companies.