京公网安备 11010802034615号
经营许可证编号:京B2-20210330
数据分析揭示VC界的“贝比·鲁斯”效应
"如何打出全垒打:我会用尽我十二成的全部功力进行挥杆,就像要将棒球给击穿一样...你对球棒握得越实,你击打棒球的力度就会越大,球就能飞得越远。在我用尽吃奶的力进行挥杆的时候,我有可能大力命中,也有很大的可能是三振出局收场。” -- 贝比·鲁斯
众所周知,那些刚从事VC行业的新兵所碰到的最困难的问题之一,就是如何内化“贝比·鲁斯效应”这个概念。
如果要让所有的投资组合都产生高额的投资回报率,你必须对其中的每一个投资都应用上精确的评估分析方法。但是令人惊讶的是,包括来自赌马、赌场、以及投资等的更行各业的领军人物,他们都强调的却是另外一面,投行称之为”贝比·鲁斯效应“:虽然贝比·鲁斯(卓越的VC)有过不少的三振出局(失败/亏损的投资)的经历,但这并不妨碍他成为史上最伟大的击球手(风头公司)之一。 -- 出自"贝比·鲁斯效应:频率和量级“
贝比·鲁斯效应在不同种类的投资中都会碰上,但是在风投行业尤为显著。如注明投资人Peter Thiel所观察的一样:
事实上[风投]回报率是呈非常严重的偏态分布的。一个VC对这个偏态分布认知的越深入,他就越会是个优秀的VC。而糟糕的VC则倾向于认为回报曲线是成正态分布的,比如,误以为所有的公司都是在同等条件下诞生的,只是有些最终做死了,有些半死不活,而有些却在成长着而已。而事实上它们是遵循幂次法则的分布规律的(更多有关Peter Thiel对幂次法则和正态分布的描述,请查看本人官网之前的一篇文章《创业圣经《从0到1》读书笔记精简版》)。
贝比·鲁斯效应之所以这么难以内化主要是因为人们心理上都倾向于逃避亏损。行为经济学早有非常著名的演示,表明人们对于损失一定金额的情绪低落程度,远大于赚取同等金额的情绪的愉悦程度。亏损总会让人感觉不爽,即使这个亏损只是成功的投资组合战略中的一小部分而已。
当人们谈论到这个话题的时候,往往是难以深入,因为此前我们很难得到一份综合有效的风投公司的效益数据。而今天,大家走运了,非常感谢在众多风投基金公司中都备受尊重的投资人Horsley Bridge,他给我提供了这数百个风投公司自1985年起的投资回报率相关的匿名历史数据。
事实如我们预期一样,回报是非常集中的:大约占有这些公司所有投资组合的6%的投资(大约占所有投资金额的4.5%),产生的投资回报率却占有了全部投资回报率的60个百分比左右。下面我们再对这些数据作深入的挖深,看下优秀的VC和糟糕的VC是怎么被区分开来的。
全垒打(编者注:也就是说该风投公司不少的投资组合都是获得超过10倍投资回报率的): 如我们所预期的,成功的风投公司拥有更多的“全垒打”级别的投资。
(本文的所有图表中,X轴指代的是VC基金的效益:靠右的代表卓越的VC基金,靠左的代表糟糕的VC基金。)
卓越的风投基金公司不但会有更多的高投资回报率投资组合,且这些投资组合的投资回报率往往都是高得超乎想象的。请看下图中描述的低效益和高效益的风投基金在都是全垒打(超过10倍的投资回报率)的情况下的投资回报率的差别。
通常好的风投基金的投资回报率是在20倍左右,而卓越的风投基金的投资回报率则高达70倍,如Bill Curley曾经说过的:“风投不仅仅是一个全垒打的生意,还是一个大灌满的生意。“
三振出局(失败的投资):这里的Y轴代表的是一个风投基金的众多投资组合中亏损的投资所占的百分比。
从图中可以得知,其实无论是糟糕的投资公司还是卓越的投资公司,他们的投资组合中都有不少一部分是亏损的。所以说风投行业本身就是一门高风险的生意。
大家可以看到上图是呈U字型分布的,也就是说卓越的风投公司其实比普通的(处于图表中间的)风投公司更容易投到亏损的公司。所以这里卓越的风投基金公司刚好印证了上面所说的”贝比·鲁斯效应“效应:它们挥杆(投资)力度越大,有可能大力命中,也有可能三振出局(亏损)收场。但是你如果不敢冒着大量的三振出局(失败)的风险,你就不可能有大满贯(众多投资组合无数倍的投资回报率)的可能。比如,根据幂次法则,只要你的众多投资组合中有一个如Facebook般的公司,就算你所有的其他投资组合都是亏钱的,你依然会赚得盘满钵满!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27