Date of Award

11-2025

Document Type

Thesis

Degree Name

Master of Science in Information Technology Management

Department

Information Systems and Security

First Advisor

Prof. Amir Ahmad

Abstract

Lately, startups attracted significant attention from investors throughout the previous years. This raised several questions concerning startups and what they possibly define as them. It could refer to collective individuals who focus on innovative ideas with a reproducible and scalable business model; others refer to it as a newly established business. Nevertheless, all these definitions lead to a predictive question. Will these startups face success?

This study explores startup success prediction methods, focusing on forecasting information technology startup (SIT) insights using Machine Learning (ML) models such as Random Forest (RF), Decision Tree (DT), Support Vector Machine (SVM), K-Nearest Neighbor (k-NN), eXtreme Gradient Boosting (XGBoost), and Categorical Boosting (CatBoost). Benefiting founders, investors, capital ventures and policymakers. These research findings will point to several startup prediction enhancement methods to increase success probabilities. Startups are crucial for innovation support, community productivity, and economic growth. However, newly established startups face one of the most controversial challenges, which is existence.

The research aim is to point arrows at main success parameters to overcome this challenge. With the help of previously conducted research studies. Analysis will be implemented, presenting essential features such as funding amount, funding status, operating status, and number of founders. Additionally, suitable criteria, such as achieving a merger and acquisition or reaching Series B funding, will be considered. Effective classifiers for productively forecasting SIT success insights will also be explored. Furthermore, key solutions to previous challenges and effective characteristics contributing to startup success are identified through a literature survey.

Arabic Abstract

تنبؤ نجاح الشركات الناشئة باستخدام تعلم الآلة: تحليل شامل لشركات تكنولوجيا المعلومات الناشئة

شهدت الشركات الناشئة خلال السنوات الأخيرة اهتمامًا ملحوظًا من قِبَل المستثمرين، مما أثار تساؤلات متعددة حول مفهومها وتعريفها الدقيق. يرى البعض أنها مجموعات من الأفراد تسعى إلى تطوير أفكار مبتكرة ضمن نماذج أعمال قابلة للتكرار والتوسع، في حين يُعّرفها آخرون بأنها مؤسسات تجارية حديثة النشأة. ورغم اختلاف هذه التعريفات، إلا أنها تتلاقى عند سؤال جوهري: هل يمكن التنبؤ بنجاح هذه الشركات؟

تهدف هذه الدراسة إلى استكشاف أساليب التنبؤ بنجاح الشركات الناشئة، مع التركيز على شركات تقانة المعلومات (SIT)، وذلك من خلال تطبيق نماذج تعلم الآلة مثل: الغابة العشوائية (RF)، شجرة القرار (DT)، آلة المتجهات الداعمة (SVM)، أقرب الجيران (k-NN)، والتعزيزات المتقدمة مثل XGBoost وCatBoost. وتستهدف هذه الدراسة دعم المؤسسين، المستثمرين، شركات رأس المال المغامر، وصنّاع القرار. تشير نتائج الدراسة إلى مجموعة من الاستراتيجيات والآليات التي من شأنها تعزيز ِدقَّة تنبؤات النجاح، مما يزيد من احتمالية استمرارية الشركات الناشئة. وتبرز أهمية هذه الشركات في دعم الابتكار، وزيادة الإنتاجية المجتمعية، وتحفيز النمو الاقتصادي. إلا أن بقاءها في السوق يظل من أبرز التحديات التي تواجهها.

تعتمد الدراسة على تحليل عدد من الخصائص الجوهرية مثل: قيمة التمويل، حالة التمويل، الوضع التشغيلي، وعدد المؤسسين. كما تأخذ بعين الاعتبار معايير إضافية مثل الوصول إلى تمويل المرحلة الثانية (Series B) أو تحقيق عمليات اندماج واستحواذ. علاوة على ذلك، تستعرض الدراسة من خلال مسح أدبي منهجي السمات الحاسمة التي تسهم في نجاح الشركات، وتسلّط الضوء على أبرز التحديات وكيفية تجاوزها باستخدام تصنيفات تنبؤيه فعّالة.

مفاهيم البحث الرئيسية: الشركات الناشئة في تكنولوجيا المعلومات (SIT)، المعايير، تنبؤ نجاح الشركات الناشئة، ريادة الأعمال، رؤوس الأموال الاستثمارية، ُصنّاع السياسات، تمويل المرحلة الثانية (Series B), تعلم الآلة (ML)، السمات، المصنفات، النماذج، الغابة العشوائية (RF)، شجرة القرار (DT)، آلة المتجهات الداعمة (SVM)، أقرب الجيران (k-NN)، النماذج المعززة شديدة التدرج (XGBoost)، والتعزيز الفئوي (CatBoost)

Download
COinS