
如何用大数据找到下一个扎克伯克_数据分析师考试
很多人都对科技创业公司的创始人有一套固定印象:男性,20多出头,从小就在地下室里玩电脑,大学中途辍学,后来成为亿万富豪。这正是马克·扎克伯格(Mark Zuckerberg)、史蒂夫·乔布斯(Steve Jobs)和比尔·盖茨(Bill Gates)的真实写照。
但有一件事情却被很多人忽略了:这三个人其实都是例外情况。
根据加州大学伯克利分校哈斯商学院的数据分析,多数成功拿到风险投资的科技创业公司的创始人简历都很常规。平均而言,这些创始人年龄38岁,拥有硕士学位和16年的工作经验。
然而,如果这样一个人来到顶尖风投的办公室,却很有可能遭到拒绝。风险投资家往往只接受熟人的推荐,而且高度依赖直觉和经验。“任何看起来像马克·扎克伯格的人都能欺骗我。”美国孵化器Y-Combinator联合创始人保罗·格雷厄姆(Paul Graham)说。
然而,这种模式却意味着投资者可能错过一些真正有潜力的创业者。随着科技行业的日益多样化,扩大投资对象的范围不仅对公司形象有利,而且能够带来实实在在的利益。种子投资可以促进创业公司的发展,所以选好投资对象至关重要。
“我们脑子里对科技创业公司创始人形成了固定印象:他们都是20多岁的白人男性,在顶尖学府学习计算机并中途退学。”彭博社旗下科技投资基金Bloomberg Beta负责人罗伊·巴哈特(Roy Bahat)说,“但只有很少的数据迎合了我们的想象。而实际上,我们可能都错了。”
用数据预测下一个创业者
Bloomberg Beta正在采取与众不同的策略。该基金与哈斯商学院的研究人员汇总了成功创业者的数据,并希望借此预测哪些人有朝一日可能成功创业——甚至赶在他们创业之前就预测这种概率。之后,投资者便可与这些人取得联系,并与之会面。(询问硅谷程序员是否计划创业,有点像询问好莱坞的服务员是否想演电影。)
由于风险投资仍然高度依赖熟人之间的推荐,所以这个名为“未来创业者”(Future Founders)的项目希望找到更多潜力巨大的创业者。
“还有哪个行业需要等着你的朋友把客户介绍给你。”巴哈特说。
该项目还有可能产生另外一个影响:找到更加多样化的创业人群。
哈斯商学院企业家精神教授托比·斯图尔特(Toby Stuart)和博士候选人吴威仪(Weiyi Ng,音译),利用招聘公司People. Co和创业投资网站AngelList的数据分析了当今的科技创始人现状。他们的重点是2005年以来在湾区和纽约创办的公司,并借此开发了一套算法,预测这些地区的哪些人有朝一日可能创办公司。
其中的一些结果颠覆了人们的故有认知:尽管现有的创业者中只有12%是女性,但当他们根据成功创业者的其他特质寻找潜在创业者时,却有20%是女性。
“如果你仅关注获得融资的人的专业背景,就会发现拥有这些背景的人比真正得到融资的人更加多样。”巴哈特说。
数据显示,只有53%的创始人拥有技术背景,表明计算机学位并非必要因素。在潜在的创业者中,拥有技术背景的人有8%为女性。
吴威仪表示,创业者的平均学历为硕士,而大学中途退学的人占比“从统计意义上可以忽略”。创业者的平均年龄为38岁,甚至有38%获得风投支持的创业者超过40岁。
在预测某人是否会创业时,最可靠的因素是“此人曾经任职于风投支持的企业”,这一点不太出人意料。供职于谷歌可能有助于创业。在同一职位上任职时间较长的人,创业的概率也会随之降低。而曾经创业失败的人,更有可能在二次创业时获得风投支持。
目前就对Bloomberg Beta的战略能否奏效下判断还为时尚早。过去两年间,该公司每年都会找到350名潜在创业者,去年有8人创业,3人获得风投,而Bloomberg Beta投资了其中的1家。巴哈特表示,即使他们发现的潜在创业者并没有创办公司,也可以借此为其投资的公司物色优秀人才。
另外几家投资者也高度依赖数据制定投资决策。Google Ventures就参考了创业公司的地理位置和创始人的过往经历等数据。WR Hambrecht & Co几乎完全依靠算法投资,但该公司表示,在一家公司的成功中,创始人的因素仅占12%的比例,他们所进军的市场更加重要。
“没有一种方法可以预测未来。”WR Hambrecht董事总经理托马斯·瑟斯顿(Thomas Thurston)说,“大家都可以把各种数据作为预测指标。”
事实的确如此:创业投资永远不会成为一项科学。这一行业很大程度上取决于时机和运气。对人的判断同样非常重要。不过,只要我们采取更多措施,而不仅仅是坐在办公室里等着穿套头衫的毛头小子找上门来,肯定会有更加多样的创业者获得风投支持。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14