美国的VC们在使用什么数据分析工具.docVIP

美国的VC们在使用什么数据分析工具？ 长期以来，创业投资的方法被当做一门艺术在一个相对小的圈子内流传。富有经验的 VC 往往喜欢将自己的成功归因于这门艺术的历久弥新，而识人术又是这门艺术的重中之重。一个初创公司的团队 (team)，还是产品 (product)，抑或是市场 / 产品吸引力 (traction)，都会被作为重要指标而影响每一个 VC 的投资决策。 对于一个初创公司而言 (尤其是尚处早期的团队 early-stage startup)，除了有可能实际存在的产品外 (算上半成品及开发原型)，剩下的指标都可以说是虚无缥缈。人们早已习惯了如此的筛选机制：投资人在乎的是感觉，看顺眼或许比产品概念更为受用。至于这套机制是否成功，则需另当别论：美国风投协会(National Venture Capital Association) 的一组数据显示，在 21 世纪的第一个十年内，美国创投业的总体回报率为负数。在这个大数据概念横行的时代，像创投业这样长期位于科技行业风口浪尖并且耳濡目染各种新科技的行业，要把数据分析结合进传统做法中的尝试也已是老调新弹。 数据分析被广泛地应用于各行各业，尤其在金融业中。资产管理公司 (asset management) 和基金公司们早在数十年前便已大规模地应用数学理论来衡量公司投资产品的质量以及预测未来的市场表现。而与之一墙之隔、同属金融行业的 VC 公司们，使用数据分析来量化评估投资看起来也应该是一件理所应当的事。 我们之前也数次讨论过数据分析对风投领域可能产生的影响和价值。以 Google Ventures 为代表，包括我们耳熟能详的 KPCB 和红杉资本 (Sequoia Capital) 在内的一众创投对数据分析投资的兴趣已经持续了好几年，而像 IronStone 这样的业界新人和 YC 这样的孵化器大佬也已投身其中，即使业界至今对于“计算机算法是否能够发现下一个乔布斯”这样的问题还未达成共识。纵使像 Google Ventures 这样背后有“数据公司”谷歌的全球最大数据库和云计算做靠山的高富帅，也尚未得到能够放之四海而皆准的标准公式，而如何更准确地量化团队的化学反应及产品的市场吸引力等等因素还是一个亟待解决的行业性问题。 不过 Google Ventures 声称他们已经在数据分析上获取了相当的进展。他们拒绝公开成果，不过综合各方面信息看来，Google Ventures 的公式或许并没有想象得那么高深：他们通过分析运用诸如创业城市、团队平均年龄、过往创业经历这样的因素来考量每一个潜在的投资机会。不过 Mark Zuckerberg 在成立 Facebook 前只卖过产品原型而无创业经历，甚至 Google Ventures 的俩老板，Larry Page 和 Sergey Brin，如果要用这么一个算法来评测，估计也难以过关。Google Ventures 也颇有自知之明，看感觉 (intuition) 和看顺眼 (chemistry) 仍是他们在投资决策中颇为重要的考量因素。 KPCB 和红杉这样的高级玩家也尝试过通过分析创业公司在 Twitter 上被提及次数，或者创业公司产品 App Store 排名这样的数据来分析一家创业公司的价值。而 IronStone，这家由William Hambrecht创立的被视为异类的创投，在数据分析上走得比同行们更远更快。根据一些已经公布的信息，他们声称一个创业公司的团队因素只会在他们的整个考量过程中占到 12%，即使团队和人员长期以来被传统创投视为最为重要的一项影响因素；而另外 20% 被分给了创业公司的其他各项指标，余下的 68% 则全部被市场因素占用：将要进入的市场的环境、公司的调整周期、市场的变化是否可被预期等等。 目前已知的或公开声称正在或将要使用数量分析来投初创公司的主要机构包括上文提及的 Google Ventures、KPCB、Sequoia Capital、IronStone、Y Combinator，以及 500Startups、August Capital、Accel Partners、Andreessen Horowitz、Floodgate Fund、Greylock Partners、SVAngel 等等。其中，Accel Partners 专门拨出 1 亿美元作为大数据基金 (Big Data Fund)，而 Greylock 已在使用其内部数据团队制作的专有数据分析工具。Google+、Facebook 和 Twitter 等社交网络是目前被作为数据采集的主要源头。 传统的 VC 决策流程，可以大致划分为 5 个阶段： 潜在的市场有多大？ 潜在的市场机会有多少？能从竞争对手处抢到多少市场份额？ 潜在的商业模