Creazione di uno strumento di abbinamento per aiutare i fondatori di start-up a trovare i migliori incubatori un progetto freelance completo.

Creazione di un strumento di matching per aiutare i fondatori di start-up a trovare il miglior incubatore - un progetto freelance completo.

Un’analisi dettagliata del progetto per proporre i migliori incubatori per i fondatori di start-up, utilizzando Python, Pinecone, FastAPI, Pydantic e Docker

Harness, una start-up dedicata ad assistere i fondatori nel loro percorso imprenditoriale, mi ha contattato per sviluppare uno strumento che aiuti la loro comunità a trovare gli incubatori più adatti: lo Strumento di Matchmaking.

In questo articolo, faremo un’analisi dei diversi passaggi di questo progetto, dal design della soluzione alla consegna finale.

Foto di Rames Quinerie su Unsplash

Contesto

L’azienda e i suoi cofondatori desiderano creare uno strumento che permetta alla loro comunità di fondatori di start-up di trovare i migliori incubatori e acceleratori in tutto il mondo.

Per farlo, hanno raccolto manualmente dati dai siti web degli incubatori, inclusi dettagli come la posizione, i requisiti vari, le opportunità di finanziamento e altro ancora. Inoltre, hanno sfruttato una comunità attiva di fondatori.

Utilizzando i dati degli incubatori e della loro comunità, avevano bisogno di trovare un modo per recuperare i principali incubatori basati sulle informazioni delle start-up.

Sfida accettata.

Design della soluzione

Panoramica

A prima vista, il progetto sembrava simile a un sistema di raccomandazione come Netflix o Amazon, che suggerisce le migliori serie o prodotti ai propri utenti. Sulla base del comportamento dell’utente, ad esempio clic, recensioni o voti positivi, un’azienda può prevedere e consigliare il prodotto più adatto.

Tuttavia, in questo scenario particolare, non abbiamo alcun dato precedente sulle preferenze di un fondatore. Pertanto, la creazione di un sistema di raccomandazione era impraticabile in questo caso.

Un approccio alternativo avrebbe potuto coinvolgere l’embedding dei dati degli incubatori e delle start-up in uno spazio vettoriale per una ricerca di similarità. In poche parole, questo metodo consiste nel misurare la distanza tra i vettori per identificare gli incubatori più vicini a una determinata start-up.

Tuttavia, questo approccio presentava diverse limitazioni in questo caso.

Gli incubatori hanno ciò che io chiamo dei criteri rigidi, fattori che potrebbero…