Operational functions for innovative startups in France

Nessa tese, é buscado um maior entendimento sobre a importância das funções operacionais nas startups francesas. Uma grande flexibilidade das tarefas a ser coberta e uma gestão horizontal caracterizam as startups. Desse jeito, não é muito comum para as empresas recentemente criadas como as startups ter uma politica clara de recursos humanos. Na verdade, cada participante na start-up pode ser levado a pensar de forma diferente em termos de vendas desenvolvimento de negócios, comercialização, marketing, tecnologia ou desenvolvimento de produto. Essa tese não vai explorar cada uma dessas tarefas. Mas vai procurar para identifcar a percepção sobre a alocação ótima de recursos para cada função chave da nova empresa. Qualquer seja o setor de mercado em consideração ou o estágio de amadurecimento da startup, funções chaves que são percebidas como sendo a base para start-ups bem sucedidas são pesquisa & desenvolvimento e comercialização. Funções de liderança não são tão importantes. Somente a startup focada na tecnologia tem uma "função de chefe executivo" com maior importância do que as startups médias. Além disso, empreendedores em série, bem sucedidos ou não, focam predominantemente aspectos relacionados ao marketing e à captação de recursos em detrimento de aspectos ligados à gestão do negócio. No final, os empresários, muitas vezes tem um preconceito ao respeito da sua formação acadêmica porque ele sobrestimam funções que eles pensam poder fazer em comparação das funções que eles são capazes de fazer. Nessa tese, intent-se demonstrar a relação entre as funções ocupadas por um sócio e as ações que ele possui na startup. Essa relação depende do número de sócios (conhecido como acionistas), o tipo de sócios (acionistas principais ou acionistas segundarias) e o impacto na administração corporativa a respeito da distribuição do capital próprio.

Convergence analysis of sampling-based decomposition methods for risk-averse multistage stochastic convex programs

We consider a class of sampling-based decomposition methods to solve risk-averse multistage stochastic convex programs. We prove a formula for the computation of the cuts necessary to build the outer linearizations of the recourse functions. This formula can be used to obtain an efficient implementation of Stochastic Dual Dynamic Programming applied to convex nonlinear problems. We prove the almost sure convergence of these decomposition methods when the relatively complete recourse assumption holds. We also prove the almost sure convergence of these algorithms when applied to risk-averse multistage stochastic linear programs that do not satisfy the relatively complete recourse assumption. The analysis is first done assuming the underlying stochastic process is interstage independent and discrete, with a finite set of possible realizations at each stage. We then indicate two ways of extending the methods and convergence analysis to the case when the process is interstage dependent.

Multistep stochastic mirror descent for risk-averse convex stochastic programs based on extended polyhedral risk measures

We consider risk-averse convex stochastic programs expressed in terms of extended polyhedral risk measures. We derive computable con dence intervals on the optimal value of such stochastic programs using the Robust Stochastic Approximation and the Stochastic Mirror Descent (SMD) algorithms. When the objective functions are uniformly convex, we also propose a multistep extension of the Stochastic Mirror Descent algorithm and obtain con dence intervals on both the optimal values and optimal solutions. Numerical simulations show that our con dence intervals are much less conservative and are quicker to compute than previously obtained con dence intervals for SMD and that the multistep Stochastic Mirror Descent algorithm can obtain a good approximate solution much quicker than its nonmultistep counterpart. Our con dence intervals are also more reliable than asymptotic con dence intervals when the sample size is not much larger than the problem size.