Angel investors’ predictive and control funding criteria
Notice bibliographique
Résumé
Purpose This study aims to investigate the question involving what factors affect angel investors’ decision-making in funding new start-ups with specific reference to their evolving business models. Without funding and access to networks and experience, certain entrepreneurs will not get their business model through the start-up phase. Design/methodology/approach Data arise from 20 semi-structured interviews with angel investors in New Zealand plus supplementary interviews with business incubator managers and textual data. Findings The findings suggest a degree of causation-based decision-making, in that certain linear thinking was evident. The implication is that, without the ability of the entrepreneurs to convince the investors about key criteria in their decision-making, investment is unlikely. Nevertheless, a degree of effectuation-based decision-making was also evident, the implication being investors having to balance risk/reward decisions in the context of their own perceptions of affordable losses against an evolving business model. However, angel investors may take on co-investment, including from overseas, that takes decision-making away from management teams. Originality/value The study draws attention to the need to consider entrepreneurial ecosystems in angel investor’s decision-making and especially those with a small domestic market that may require management teams to look for scalability internationally. Furthermore, an effectuation lens contributes to knowledge in respect of predictive and control criteria, in particular, assessing risks and rewards against affordable losses involving an evolving business model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».