C'est avec grand plaisir que nous annonçons avoir accepté 2 millions de dollars en capital d'amorçage mené par White Star Capital et Oxford Capital. Nous sommes ravis d'avoir à nos côtés un groupe d'investisseurs aussi respecté, qui croit en l'équipe et en notre vision.
Lorsque j'ai commencé le processus, j'ai pris le temps de discuter avec quelques fondateurs de mon réseau qui avaient récemment participé à une levée de fonds en phase d'amorçage. Bien que ce ne soit pas ma première aventure entrepreneuriale, je voulais avoir une idée de ce qu'était le fait de lever des fonds d'amorçage auprès d'investisseurs institutionnels en 2016. J'ai obtenu de précieux éclairages, mais un élément que je n'ai pas réussi à cerner était le temps et l'énergie qu'un tel processus demande. Les startups sont par nature de petites structures, et retirer les dirigeants de leurs tâches habituelles pour un processus de levée de fonds mobilise une part importante de la capacité de l'organisation et constitue un exercice incroyablement distrayant. J'ai déjà vu cela freiner une entreprise et je tenais à comprendre le timing et l'impact de ce processus dans le contexte actuel afin de pouvoir planifier en conséquence. Les données concrètes n'étaient pas faciles à trouver : chaque fondateur savait que cela occupait tout son temps et que cela « prenait un certain temps », mais les mesures restaient subjectives. Bien sûr, chaque processus est unique, mais quelques points de données solides peuvent aider à établir une base de référence. Traditionnellement, obtenir une quelconque mesure sur un processus organique comme une levée de fonds est plutôt difficile, et les informations disponibles sont donc rares. J'ai décidé d'appliquer notre propre plateforme à notre propre cas et de créer un Sift pour cela.
Les sources de données du quotidien telles que les e-mails, les plateformes de messagerie, les applications web et les appareils IoT génèrent d'énormes quantités de données, dont la plupart manquent de structure et sont difficiles à agréger et à résumer. C'est pourquoi elles restent souvent archivées sans que l'on puisse en tirer une quelconque information utile. Red Sift permet à ses utilisateurs d'interconnecter facilement ces sources disparates et de croiser leurs données pour obtenir des informations ou automatiser des workflows. Nous le faisons grâce aux « Sifts » — des micro-services intelligents et open source qui exécutent des calculs sur vos données en toute sécurité afin de fournir des informations directement dans votre tableau de bord ou vos canaux de messagerie. Les Sifts peuvent être créés par nous ou par la communauté, car notre plateforme permet aux développeurs, et à terme aux utilisateurs classiques, de créer leurs propres Sifts simplement et rapidement.
Étant donné qu'il existait peu de données pour anticiper la situation, je voulais capturer les analyses pour l'avenir et suivre le processus à travers le prisme de notre plateforme. Voici ce que j'ai créé pour m'aider à suivre le temps que j'y consacrais.
La plupart des processus laissent aujourd'hui une trace dans votre boîte de réception. Acheter une maison, organiser un événement important, chercher un emploi, mener une due diligence ; quel que soit le cas, vous utilisez probablement votre compte e-mail pour faire avancer la tâche, ce qui laisse une trace dans votre boîte de réception. Des outils spécialisés existent pour les segments de marché les plus étroits, mais ils ne s'appliquent pas au désordre que représentent la plupart des processus. Red Sift offre un support de premier ordre pour une boîte de réception en tant que source de données et peut intégrer des analyses directement dans Gmail. Il peut transformer cette pile de messages en quelque chose sur lequel l'intelligence peut être calculée et des informations extraites, sans avoir à déplacer ou exporter les données ailleurs. De plus, comme il est entièrement intégré, il réagit en temps réel aux mises à jour — aucune saisie manuelle n'est nécessaire. Tout ce que j'avais à faire était de classer les messages que je voulais mesurer. J'ai posé une étiquette sur eux et j'ai configuré mon Sift pour ne sélectionner que ces communications.
À un niveau général, je voulais comprendre l'impact que le processus avait sur notre temps afin de pouvoir le suivre, l'adapter et utiliser ce signal pour déterminer ce qui fonctionnait et ce que nous devions changer. Notez que j'ai créé cette représentation dans le style de l'excellente bande dessinée web xkcd de Randall Munroe, car j'en suis un grand fan et son travail me fait rire. Comme la plupart des fondateurs en conviendront, tout ce qui vous fait sourire pendant une levée de fonds est une victoire.
Examinons chacune des métriques que j'ai codées, une par une.
Notre stratégie était assez traditionnelle : nous avons effectué notre prospection via des introductions chaleureuses afin de maximiser nos chances d'obtenir une porte ouverte. Les données semblent le confirmer, je n'ai pas perdu beaucoup de temps à tirer des coups dans le vide. La plupart des communications liées à ce processus ont suscité une réponse, et le temps passé à rédiger des e-mails était équilibré.
Nous connaissons tous cette prolifération des listes en copie qui se forme autour des communications professionnelles. Heureusement, les VCs de notre échantillon ne souffrent pas de ce problème de manière significative. Les personnes présentes dans un fil de discussion sont généralement pertinentes lorsqu'elles y sont copiées, car elles ont tendance à répondre et à s'engager à un moment donné.
Un comportement intéressant que nous avons remarqué très tôt était l'impression que le lundi était une journée plus calme que ce que nous attendions. Il semblerait que le mardi soit une journée mesurablement plus chargée pour nos prospects. J'ai généralement essayé de réserver les lundis pour travailler sur le produit, étant donné que nous avions observé cette tendance dès le début.
Le grand tableau récapitulatif détaille tout cela. Un peu plus de 3 journées complètes passées au clavier à lire et écrire des e-mails, réparties sur 33 semaines, et un entonnoir qui a commencé avec environ 53 prospects pour aboutir à notre résultat final. Mon Sift a utilisé une heuristique pour estimer le temps passé à lire et répondre aux communications, bien que cela soit évidemment imprécis dans sa forme actuelle. Malgré une marge d'erreur, nous pourrons à l'avenir utiliser ces analyses pour établir une base de référence et nous aider à planifier nos activités futures.
Par souci de concision et dans l'intérêt de l'anonymat, j'ai gardé les détails à un niveau assez général. Il y a beaucoup plus de signal dans ma boîte de réception et mon calendrier, couvrant les appels téléphoniques, les pitchs et les cafés, et mon Sift peut creuser bien plus profondément, par exemple en corrélant le délai de réponse avec le résultat final et en estimant les temps de réponse. Les développeurs et les curieux peuvent regarder sous le capot. Vous pouvez les forker et les modifier selon vos propres besoins et les exécuter en direct sur vos propres données.
Rahul Powar, Fondateur et PDG
Humor-Sans utilisé sous la licence SIL Open Font License, version 1.1
Rahul Powar is the co-founder and CEO of Red Sift. A technologist and thought leader in both AI and cybersecurity, Rahul's career previously includes Thomas Reuters and the Shazam.