長期以來，創業投資的方法被當做一門藝術在一個相對小的圈子内流傳。富有經驗的 vc 往往喜歡将自己的成功歸因于這門藝術的曆久彌新，而識人術又是這門藝術的重中之重。一個初創公司的團隊 (team)，還是産品 (product)，抑或是市場 / 産品吸引力 (traction)，都會被作為重要名額而影響每一個 vc 的投資決策。
對于一個初創公司而言 (尤其是尚處早期的團隊 early-stage startup)，除了有可能實際存在的産品外 (算上半成品及開發原型)，剩下的名額都可以說是虛無缥缈。人們早已習慣了如此的篩選機制：投資人在乎的是感覺，看順眼或許比産品概念更為受用。至于這套機制是否成功，則需另當别論：美國風投協會(national venture capital association) 的一組資料顯示，在 21 世紀的第一個十年内，美國創投業的總體回報率為負數。在這個大資料概念橫行的時代，像創投業這樣長期位于科技行業風口浪尖并且耳濡目染各種新科技的行業，要把資料分析結合進傳統做法中的嘗試也已是老調新彈。
資料分析被廣泛地應用于各行各業，尤其在金融業中。資産管理公司 (asset management) 和基金公司們早在數十年前便已大規模地應用數學理論來衡量公司投資産品的品質以及預測未來的市場表現。而與之一牆之隔、同屬金融行業的 vc 公司們，使用資料分析來量化評估投資看起來也應該是一件理所應當的事。
我們之前也數次讨論過資料分析對風投領域可能産生的影響和價值。以 google ventures 為代表，包括我們耳熟能詳的 kpcb 和紅杉資本 (sequoia capital) 在内的一衆創投對資料分析投資的興趣已經持續了好幾年，而像 ironstone 這樣的業界新人和 yc 這樣的孵化器大佬也已投身其中，即使業界至今對于“計算機算法是否能夠發現下一個喬布斯”這樣的問題還未達成共識。縱使像 google ventures 這樣背後有“資料公司”谷歌的全球最大資料庫和雲計算做靠山的高富帥，也尚未得到能夠放之四海而皆準的标準公式，而如何更準确地量化團隊的化學反應及産品的市場吸引力等等因素還是一個亟待解決的行業性問題。
不過 google ventures 聲稱他們已經在資料分析上擷取了相當的進展。他們拒絕公開成果，不過綜合各方面資訊看來，google ventures 的公式或許并沒有想象得那麼高深：他們通過分析運用諸如創業城市、團隊平均年齡、過往創業經曆這樣的因素來考量每一個潛在的投資機會。不過 mark zuckerberg 在成立 facebook 前隻賣過産品原型而無創業經曆，甚至 google ventures 的倆老闆，larry page 和 sergey brin，如果要用這麼一個算法來評測，估計也難以過關。google ventures 也頗有自知之明，看感覺 (intuition) 和看順眼 (chemistry) 仍是他們在投資決策中頗為重要的考量因素。
kpcb 和紅杉這樣的進階玩家也嘗試過通過分析創業公司在 twitter 上被提及次數，或者創業公司産品 app store 排名這樣的資料來分析一家創業公司的價值。而 ironstone，這家由william hambrecht創立的被視為異類的創投，在資料分析上走得比同行們更遠更快。根據一些已經公布的資訊，他們聲稱一個創業公司的團隊因素隻會在他們的整個考量過程中占到 12%，即使團隊和人員長期以來被傳統創投視為最為重要的一項影響因素；而另外 20% 被分給了創業公司的其他各項名額，餘下的 68% 則全部被市場因素占用：将要進入的市場的環境、公司的調整周期、市場的變化是否可被預期等等。
目前已知的或公開聲稱正在或将要使用數量分析來投初創公司的主要機構包括上文提及的 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 專門撥出 1 億美元作為大資料基金 (big data fund)，而 greylock 已在使用其内部資料團隊制作的專有資料分析工具。google+、facebook 和 twitter 等社交網絡是目前被作為資料采集的主要源頭。
傳統的 vc 決策流程，可以大緻劃分為 5 個階段：
潛在的市場有多大？
潛在的市場機會有多少？能從競争對手處搶到多少市場佔有率？
潛在的商業模型是什麼？營收和利潤能達到什麼水準？
保守估計，潛在的營運/産品成本有多少？通過這輪融資能夠滿足團隊營運的周期？
5至10年内是否會有潛在的退出機會或ipo機會？
最重要的是大部分 vc 在拍闆前，還會自問：我是否喜歡這個團隊 / 這個團隊是否值得投資？
而在引入了資料分析之後，這個流程會受到什麼樣的影響？下圖是我根據經驗以及整理各個 vc 大佬們的文章後制作的一張圖表，反映了美國的主流 vc 在不同投資階段主要用到的有關資料分析的工具。
舉例來說，一家提倡資料分析投資并專注于早期投資 (early stage/seed stage) 的 vc 會在初期尋找投資目标時通過angellist和seedsummit這樣的初創公司資料庫進行海選，之後利用caplinked之類的流程管理平台建立聯系關系網并設定一定的篩選投資流程。目前針對早期公司的量化評估還未出現什麼靠譜的工具，不過有些 vc 會用一個叫younoodle的來搜集一個初創公司的競争對手的資訊，以此評估該團隊的市場競争力。ownyourventure則提供了一個平台，vc 和創業者可以在輸入相關資料後得出幾輪投資後的股權價值配置設定情況。而在某輪融資結束後，vc 可以自建資料庫以跟蹤所投公司的營運，也可以通過startup genome這樣的平台來跟蹤公司資訊或當地創業市場。
在此不得不重點介紹下cb insights和pitchbook。cb insights 作為一家有着金融行業背景的紐約初創資料公司，在內建行業資料和資料分析上做得相當出色，他們定期的行業資料分析報告為 vc 和其他相關媒體機構廣為應用，而他們推出的不少可視化資料分析工具也頗有價值。pitchbook 也有着出色的可視化資料平台，但是他們的産品則針對各初創公司提供了更為具體的資訊，豐富的 vc 資料庫也為創業者和投資者們提供了檢視各家 vc 具體資訊的平台。當然，36kr+資料庫對于國内的 vc 和創業者們來說是一個很好的工具，我們也會不斷改進完善我們的資料庫、添加新的功能，以更好地服務國内的創業者和投資人們。
cb insights的可視化資料庫
pitchbook所提供的vc資訊界面
憑心而論，目前這種規模的資料分析或許無從談及大資料，但是倘若将待分析的資料庫規模擴大 10 倍，甚至 100 倍，大資料這樣的技術就足以讓極大地提高創投的反應速度，而至于結果的品質，或許需要一個相對長的時間來給我們答案。移動技術快速發展産生的大量資料則是一個很好的案例。都說移動技術的發展正在極大地改變每一個行業、甚至每一個人的生活，這一樣可以用在創投界。大資料的時代才剛剛來臨，而移動網際網路和移動裝置産生資料的能力和潛力是難以預估的，最好的例子便是在剛過去的雙十一裡，淘寶有15%的交易額來自移動端。對于想要掌握使用者需求和習慣的創業者，以及希望發現有成長潛力的産品和創業者的 vc 們來說，這個時代或許會是一個前所未有的黃金時期。
對 vc 來說，手頭有了資料之後，問題就在于如何有效地分析資料并量化評估标準。舉例來說，一個房地産投資人可以用case shiller房價指數這樣的量化名額來衡量目前的市場環境，用公開資料和政府檔案來評估某家具體開發公司的營運狀況；而專注于投資上市公司的投資者，簡單的标普 500 指數和某家公司的市盈率就能勾畫出一個投資機會的輪廓。對于 vc 和天使投資人來說，這樣的畫面在投初創公司的時候是難以想象的。vc 的盡職調查 (due diligence) 很多時候隻能通過投資者的人際網交流和主觀感受來完成，而不是像投行們那樣甩出成摞的 excel 和精美的盡職調查報告。縱使諸如 cb insights、crunchbase、angellist 這樣的資料平台的大量出現能夠改變 vc 們以往那種缺乏資料的生活，但是如何選擇資料、如何将資料轉換成有用的資訊，則是 vc 們的下一個難題。
原文釋出時間為：2013-12-21
本文來自雲栖社群合作夥伴“大資料文摘”，了解相關資訊可以關注“bigdatadigest”微信公衆号