(本文作者Thomas Thurston是風(fēng)投公司Ironstone Group的首席技術(shù)總監(jiān)和資金經(jīng)理。同時，他也是數(shù)據(jù)科學(xué)公司Growth Science的CEO，這家公司主要工作是運用算法和新的科技來預(yù)測商業(yè)行為。)
   
       數(shù)據(jù)在現(xiàn)代商業(yè)的決策中的地位在不斷上升，那為何風(fēng)投不跟上這個潮流呢？ 什么時候風(fēng)險投資的依據(jù)會從直覺轉(zhuǎn)向算法呢？
 
　　我們生在一個算法的時代。便宜的計算和相應(yīng)的軟件給各個領(lǐng)域都帶來了巨大的進步?，F(xiàn)在的數(shù)據(jù)學(xué)家利用算法來預(yù)測天氣，疾病，賽事結(jié)果，選舉結(jié)果，哪部電影會最為賣座，甚至是你的未來另一半。
 
　　與此同時，風(fēng)投業(yè)還處在十分古典的階段，它更多的是一門藝術(shù)而非科學(xué)。因而，為何沒有更多的VC利用數(shù)據(jù)科學(xué)來指導(dǎo)他們的投資呢？
 
　　傳統(tǒng)的VC會去拜訪那些初創(chuàng)企業(yè)，然后再用他們的個人直覺從中擇優(yōu)去劣。對少數(shù)精英VC來說，這種直覺引導(dǎo)的投資會帶來極大的回報，然而全美的前500家風(fēng)投卻總體表現(xiàn)得并不如意。美國風(fēng)投報告(National Venture Capital Index)顯示，整個風(fēng)投業(yè)在2000到2010年的整體回報率為負。我們無需為此指責(zé)VC們，畢竟從一群初創(chuàng)企業(yè)中選出其中的佼佼者比表面上看起來要難許多。然而為何不因此讓VC們做出更多基于數(shù)據(jù)的決定呢？

對于將數(shù)據(jù)科學(xué)引入風(fēng)投產(chǎn)業(yè)的阻力主要有兩個：
 
　　首先，很多人會說基于數(shù)據(jù)科學(xué)的對初創(chuàng)企業(yè)的預(yù)測是十分不靠譜的，相較之下，他們更相信業(yè)內(nèi)高手的直覺。
 
　　其次，即便假設(shè)基于數(shù)據(jù)科學(xué)的預(yù)測是靠譜的，依然有人認為這不可行。因為許多人認為這會引導(dǎo)不良的社會和道德風(fēng)氣(機器可以取代人的決定)。
 
　　盡管如此，數(shù)據(jù)科學(xué)早已進入了風(fēng)投業(yè)。舉例來說，有一家不愿透露姓名的風(fēng)投完全采用數(shù)據(jù)分析的方式進行投資，并且已經(jīng)掌握一億六千五百萬美元的基金，投資了大概四十家初創(chuàng)企業(yè)。這家企業(yè)利用近二十年來的風(fēng)投數(shù)據(jù)，在兩個星期內(nèi)做出投資決定;并且，他們從不獨立投資(只會和別的風(fēng)投一起投資);而且從不在董事會占有席位。這家公司會根據(jù)初創(chuàng)企業(yè)的行為為其評分，然后把得分最高的公司進行人工審核然后才能通過最后的投資評審。
 
　　我所在的公司，Ironstone也使用類似的審核程序。Ironstone會使用機器和人工的混合評審法在兩個星期內(nèi)決定是否參投初創(chuàng)公司。如果在數(shù)據(jù)分析這關(guān)過不了，那這單投資就沒戲。如果公式告訴我們，“這家公司能行”，那也需要經(jīng)過第二層的人工審核階段。Ironstone的數(shù)據(jù)采集自發(fā)給初創(chuàng)企業(yè)的調(diào)查問卷和來自其他途徑的數(shù)據(jù)。不同的是，Ironstone是愿意獨領(lǐng)一輪投資的。
 
　　Google Ventures作為一家投資了170多家初創(chuàng)企業(yè)的風(fēng)投公司也使用這種混合審核法，在投資企業(yè)前對其進行嚴格的數(shù)據(jù)分析。Google Ventures的Bill Maris說：“我們有世界上最多的數(shù)據(jù)，也有最為強大的云計算能力。如果我們不利用這些資源而直接就去隨意投資那實在是太愚蠢了。”據(jù)說現(xiàn)在很多更為傳統(tǒng)的風(fēng)投公司也開始使用一些數(shù)據(jù)分析了。
 
　　除了篩選優(yōu)秀的初創(chuàng)企業(yè)和增加收益外，在風(fēng)投中引入數(shù)據(jù)科學(xué)還有什么好處呢？
 
　　快速
 
　　運用數(shù)據(jù)科學(xué)來篩選的好處之一就是它很快。一旦輸入收集到的數(shù)據(jù)，很快確定的結(jié)果就可以出來了。這也就是像Ironstone這樣的公司能在兩個星期內(nèi)就決定是否投資一家公司的原因了。相較之下，傳統(tǒng)的VC可以很快的拒絕一家初創(chuàng)企業(yè)，但決定起是否投資一家初創(chuàng)企業(yè)來卻非常的慢。如果一家初創(chuàng)企業(yè)被選中，VC們可以耗費數(shù)月的時間來爭論是否投資這家公司。
 
　　客觀
 
　　傳統(tǒng)的VC做出投資決定所憑借的大多是一時沖動，因而很容易受到一系列的認知誤差的干擾。比如說，他們的決定可能會被當時的室溫，之前吃的食物，睡眠質(zhì)量還有其他雜七雜八的因素極大的影響。盡管算法可能看上去很笨，但它們總是客觀的。它們不會感到疲憊、勞累、饑餓、情緒化或是被血統(tǒng)顯赫的創(chuàng)辦人誤導(dǎo)。
 
　　有理有據(jù)
 
　　創(chuàng)業(yè)者總是抱怨說VC總是用一些莫名其妙甚至是有問題的標準去評價他們的企業(yè)。確實，認知偏差可能會極大的干擾VC們，讓他們沒法集中精力去評析初創(chuàng)企業(yè)。相對的，數(shù)據(jù)科學(xué)可以完全的屏蔽這些認知“雜音”。盡管不同的算法帶來的結(jié)果不同，但他們至少是基于現(xiàn)實的假設(shè)和數(shù)據(jù)的，而非一時的心血來潮。
 
　　有提高空間
 
　　算法背后的邏輯是直白而清晰的。你可以直接的看到它是怎樣做出決定的。這使得算法有堅實的基礎(chǔ)使它能夠得到改進。然而直覺卻不是這樣的直白和清晰。VC們那些天馬行空的直覺在長期可靠性上比起算法來實在是差遠了。
 
　　然而在風(fēng)投界，針對算法篩選的雙重標準依然是存在的。對于一套算法來說，在考慮其是否能進入風(fēng)投的決策程序時，VC還有投資者們幾乎都會質(zhì)詢是否有支持它的大量數(shù)據(jù)，它在統(tǒng)計上的穩(wěn)定性，以及在操作層面的可行性。不僅如此，他們還會苛求算法中出現(xiàn)的樣本大小，緊密的對應(yīng)關(guān)系，以及清晰的定義。然而VC們那些飄忽的直覺卻往往既沒有經(jīng)過任何的統(tǒng)計測試，也沒有在操作上確定過可行性，甚至一點都不簡明清晰。
 
　　延伸性
 
　　因為算法篩選的快速，客觀，精準和可改進性，它能夠極大的縮減每次決策所需要的時間和人力。這可以留出精力給VC們?nèi)ピ黾铀麄兊馁Y金而不必陷入無盡的決策泥沼。
 
　　平均來說，一個活躍的VC一年大概會做四宗投資。這個數(shù)字不僅是因為VC有多少錢而確立，還受到保質(zhì)保量的完成一宗投資所需要的人力和時間成本所限制。當資本開始擴張，傳統(tǒng)風(fēng)投極為耗費資源(人力和時間)的特點便顯露無疑了。結(jié)果就是，擁有更多資本的VC想投需要資金量更大的公司，即便這本身沒什么意義。
 
　　VC們對于數(shù)據(jù)科學(xué)的抵觸也許來源于他們與之相關(guān)的意愿和技能的缺失。有些VC直白的反對把數(shù)據(jù)科學(xué)引入風(fēng)投，也有的在默默觀察數(shù)據(jù)科學(xué)在風(fēng)投中產(chǎn)生的效果，還有一些VC已經(jīng)開始積極的運用數(shù)據(jù)科學(xué)進行風(fēng)投了。只要沒有偏見的人都看的出來，VC界正處在一個偉大時代開始前的黎明。