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!
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在Power BI数据可视化分析中,切片器是连接用户与数据的核心交互工具,其核心价值在于帮助使用者快速筛选目标数据、聚焦分析重点 ...
2026-04-23以数为据,以析促优——数据分析结果指导临床技术改进的实践路径 临床技术是医疗服务的核心载体,其水平直接决定患者诊疗效果、 ...
2026-04-23很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标是所有企业都需要的”“哪些指标是因行业而异的”“北极星指标和 ...
2026-04-23近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15