106 lines
2.0 KiB
Markdown
106 lines
2.0 KiB
Markdown
# 베이지안 스타트업 가치평가 프레임워크
|
||
|
||
**날짜**: 2025-10-16
|
||
**목표**: Neo4j + 베이지안 MCMC 기반 확률적 가치평가
|
||
|
||
---
|
||
|
||
## 개요
|
||
|
||
**데이터**: K-Startup 12,703개 기업
|
||
**구성**: Neo4j 유사 기업 탐색 + Bayesian MCMC 확률 분포 + 동적 프리미엄 학습
|
||
|
||
---
|
||
|
||
## 아키텍처
|
||
|
||
```
|
||
1. Neo4j 그래프 → 유사 기업 Top-K 탐색
|
||
2. Bayesian MCMC → 가치평가 확률 분포 생성
|
||
3. PostgreSQL → 프리미엄 학습 및 업데이트
|
||
```
|
||
|
||
---
|
||
|
||
## Phase 1: Neo4j 유사 기업 탐색 (미구현)
|
||
|
||
### 구조
|
||
```
|
||
(:Startup)-[:SIMILAR_TO {commonTags: K}]->(:Startup)
|
||
```
|
||
|
||
### 검색 기준
|
||
- 공통 산업 태그 K개 이상 (K=3)
|
||
- 투자 단계 동일 또는 ±1 단계
|
||
- 직원 수 유사 범위
|
||
|
||
### 출력
|
||
- Top-5 유사 기업 목록
|
||
- 투자금액, 직원 수, 공통 태그
|
||
|
||
---
|
||
|
||
## Phase 2: 베이지안 MCMC 가치평가 (미구현)
|
||
|
||
### 입력
|
||
```python
|
||
{
|
||
"company_name": "리버스마운틴",
|
||
"stage": "seed",
|
||
"employees": 9,
|
||
"industry": ["협업툴", "SaaS"]
|
||
}
|
||
```
|
||
|
||
### 베이지안 모델
|
||
```
|
||
Prior: 로그정규분포 (산업/단계별 평균)
|
||
Likelihood: 유사 기업 투자금액 분포
|
||
Posterior: MCMC 샘플링 (10,000 iterations)
|
||
```
|
||
|
||
### 출력
|
||
```
|
||
평균: 7.3억원
|
||
중앙값: 6.8억원
|
||
90% 신뢰구간: [4.2억 ~ 12.5억]
|
||
```
|
||
|
||
---
|
||
|
||
## Phase 3: 동적 프리미엄 학습 (미구현)
|
||
|
||
### 목표
|
||
하드코딩 제거 - 시장 데이터로 자동 업데이트
|
||
|
||
### 구조
|
||
```sql
|
||
CREATE TABLE valuation_premia (
|
||
stage VARCHAR(20),
|
||
industry VARCHAR(100),
|
||
premium_mu FLOAT,
|
||
premium_sigma FLOAT,
|
||
updated_at TIMESTAMP
|
||
);
|
||
```
|
||
|
||
### 학습 로직
|
||
- 신규 투자 데이터 입수 시 자동 재학습
|
||
- Beta(α, β) 분포로 프리미엄 업데이트
|
||
- 30일 단위 재계산
|
||
|
||
---
|
||
|
||
## 구현 우선순위
|
||
|
||
1. **즉시**: Neo4j 유사 기업 탐색 (1주)
|
||
2. **단기**: MCMC 확률 분포 생성 (2주)
|
||
3. **중기**: 동적 프리미엄 학습 (1개월)
|
||
|
||
---
|
||
|
||
## 참고
|
||
|
||
- K-Startup 데이터: `/mnt/51123data/DATA/startup/data/startup_data_20251016.json`
|
||
- Neo4j: 51123 서버 7687 포트
|