京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-05-21在数据驱动决策的时代,数据质量直接决定分析结果的可靠性与准确性,而异常值作为数据清洗中的核心痛点,往往会扭曲分析结论、误 ...
2026-05-20 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-05-20Agent的能力边界,很大程度上取决于其掌握的Skill质量和数量。传统做法是靠人工编写和维护Skill,但这条路很快会遇到瓶颈。业务 ...
2026-05-20在统计分析中,方差分析(ANOVA)是一种常用的假设检验方法,核心用于分析“一个或多个自变量对单个因变量的影响”,广泛应用于 ...
2026-05-19 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-05-19想高效备考 CDA 一级,拒绝盲目刷题、冗余学习?《CDA 一级教材知识手册》重磅来袭!以官方教材为核心,浓缩 13 章 103 个核心考 ...
2026-05-19在数据统计分析中,卡方检验是一种常用的非参数检验方法,核心用于判断两个或多个分类变量之间是否存在显著关联,广泛应用于市场 ...
2026-05-18在企业数字化转型的浪潮中,很多企业陷入了“技术堆砌”的误区——上线了ERP、CRM、BI等各类系统,积累了海量数据,却依然面临“ ...
2026-05-18