Data-driven methods have been used for investment decision support for more than two decades within the finance sector, however there are great differences in the adoption of data-driven methods in different parts of the financial market. One part of the market that has yet achieved a high level of adoption is the Venture capital (VC) industry. In this study, the use of machine learning is explored as an option to filter out high quality deals by choosing those with the highest likelihood of success. More specifically, characteristics about the founding and executive venture team is explored as independent variables for modelling the likelihood of post-seed investment within five years of the founding date.

Statistiska metoder har utnyttjats för beslutsfattning under mer än två decennier inom den finansiella sektorn. Trots det är det stor skillnad mellan olika industrier inom den finansiella sektorn vad gäller adoption av datadriven beslutsfattning. En del av marknaden som inte än har uppnått en hög grad av adoption är riskkapitalindustrin. Denna studie undersöker huruvida maskininlärning och moderna statistiska metoder kan användas för att upptäcka bolag med hög sannolikhet att lyckas. För att upptäcka dessa bolag används endast demografiska variabler samt professionell och akademisk bakgrund hos ledningsgruppen och de personer som grundat bolagen.