Práce byla zkontrolována systémem Theses. Bakalářská práce se zabývá analýzou faktorů ovlivňujících vývoj startupů a možnostmi predikce jejich úspěšnosti pomocí statistických metod a metod strojového učení. Studentka se zaměřila zejména na problematiku modelování nevyvážených dat, porovnání různých přístupů k řešení imbalance problému a interpretaci výsledků z pohledu investičního rozhodování. Součástí práce je vlastní rozsáhlá analytická část, ve které jsou porovnávány logistická regrese, Random Forest a Gradient Boosting v různých režimech práce s daty, včetně návrhu prakticky využitelného „dual-model“ workflow pro screening startupů a interpretaci rizikových faktorů.

Předložená práce odpovídá zadání a stanoveným cílům práce. Studentka při zpracování prokázala schopnost samostatně pracovat s odbornou literaturou, statistickými metodami i metodami strojového učení a vhodně interpretovat získané výsledky v ekonomickém kontextu. Přínosem práce je zejména propojení kvantitativní analýzy s praktickými implikacemi pro investiční rozhodování, včetně formulace konkrétních doporučení vycházejících z identifikovaných determinant úspěšnosti startupů. Oceňuji také snahu o kritickou interpretaci jednotlivých modelů a jejich limitů, stejně jako velmi dobrou úroveň diskuse praktické využitelnosti výsledků.

Po formální stránce je práce zpracována na velmi dobré úrovni. Struktura práce je logická, text je přehledný a odborně formulovaný. Jazyková úroveň práce je odpovídající požadavkům kladeným na bakalářskou práci, a to i přes místy mírně složitější stylistické formulace v analytické části. Použité zdroje jsou relevantní a práce vykazuje odpovídající odbornou úroveň v oblasti statistické analýzy a aplikace metod strojového učení.

Práce splňuje požadavky standardně kladené na bakalářské práce v daném oboru. Vzhledem k rozsahu provedené analýzy, kvalitě interpretace výsledků a celkovému zpracování  práci doporučuji k obhajobě a navrhuji hodnocení stupněm A.

Předložená bakalářská práce představuje vysoce kvalitní analytický projekt, který svou hloubkou a technickým zpracováním přesahuje běžné standardy kladené na tento typ práce. Autorka prokázala schopnost samostatně pracovat s rozsáhlými datovými soubory a aplikovat pokročilé metody strojového učení na reálné ekonomické problémy. Návrhová část se soustředí na vytvoření nástroje pro kvantifikovaný screening startupů, který kombinuje predikční sílu modelu s interpretační analýzou. Návrhy jsou rozpracovány do úrovně konkrétního implementačního workflow a procesních doporučení pro investiční manažery. Přínosy práce jsou precizně vyčísleny prostřednictvím klasifikačních metrik (precision, recall, F1-skóre), které demonstrují schopnost modelu zachytit selhání startupů s vysokou přesností. Hlavním benefitem je zefektivnění procesu selekce projektů a prokazatelné snížení rizika chybných investičních rozhodnutí. Na základě výše uvedených skutečností doporučuji práci k obhajobě. Topics for thesis defence:

1. Ve své práci rozebíráte riziko tzv. „concept driftu“. Jakým způsobem byste navrhovala průběžně monitorovat a aktualizovat Vaše modely v případě, že by došlo k zásadní změně v globálním investičním prostředí?
2. Dokázala byste na základě Vašich modelů odhadnout, o kolik procent by se teoreticky snížila celková finanční ztráta fondu venture kapitálu, pokud by pro screening použil Váš model Gradient Boosting namísto náhodného výběru projektů?
3. Proč jste v kontextu predikce selhání startupů upřednostnila metriku „recall“ před celkovou přesností (accuracy) modelu?