長期以來，創業投資的方法被當做一門藝術在一個相對小的圈子內流傳。富有經驗的VC往往喜歡將自己的成功歸因於這門藝術的歷久彌新，而識人術又是這門藝術的重中之重。一個初創公司的團隊(team)，還是產品(product)，抑或是市場/產品吸引力(traction)，都會被作為重要指標而影響每一個VC的投資決策。
對於一個初創公司而言(尤其是尚處早期的團隊early-stage startup)，除了有可能實際存在的產品外(算上半成品及開發原型)，剩下的指標都可以說是虛無縹緲。人們早已習慣瞭如此的篩選機制：投資人在乎的是感覺，看順眼或許比產品概念更為受用。至於這套機制是否成功，則需另當別論：美國風投協會(National Venture Capital Association)的一組資料顯示，在21世紀的第一個十年內，美國創投業的總體回報率為負數。在這個大資料概念橫行的時代，像創投業這樣長期位於科技行業風口浪尖並且耳濡目染各種新科技的行業，要把資料分析結合進傳統做法中的嘗試也已是老調新彈。
資料分析被廣泛地應用於各行各業，尤其在金融業中。資產管理公司(asset management)和基金公司們早在數十年前便已大規模地應用數學理論來衡量公司投資產品的質量以及預測未來的市場表現。而與之一牆之隔、同屬金融行業的VC公司們，使用資料分析來量化評估投資看起來也應該是一件理所應當的事。
我們之前也數次討論過資料分析對風投領域可能產生的影響和價值。以Google Ventures為代表，包括我們耳熟能詳的KPCB和紅杉資本(Sequoia Capital)在內的一眾創投對資料分析投資的興趣已經持續了好幾年，而像IronStone這樣的業界新人和YC這樣的孵化器大佬也已投身其中，即使業界至今對於“計算機演算法是否能夠發現下一個賈伯斯”這樣的問題還未達成共識。縱使像Google Ventures這樣背後有“資料公司”谷歌的全球最大資料庫和雲端計算做靠山的高富帥，也尚未得到能夠放之四海而皆準的標準公式，而如何更準確地量化團隊的化學反應及產品的市場吸引力等等因素還是一個亟待解決的行業性問題。
不過Google Ventures聲稱他們已經在資料分析上獲取了相當的進展。他們拒絕公開成果，不過綜合各方面資訊看來，Google Ventures的公式或許並沒有想象得那麼高深：他們通過分析運用諸如創業城市、團隊平均年齡、過往創業經歷這樣的因素來考量每一個潛在的投資機會。不過Mark Zuckerberg在成立Facebook前只賣過產品原型而無創業經歷，甚至Google Ventures的倆老闆，Larry Page和Sergey Brin，如果要用這麼一個演算法來評測，估計也難以過關。Google Ventures也頗有自知之明，看感覺(intuition)和看順眼(chemistry)仍是他們在投資決策中頗為重要的考量因素。
KPCB和紅杉這樣的高階玩家也嘗試過通過分析創業公司在Twitter上被提及次數，或者創業公司產品App Store排名這樣的資料來分析一家創業公司的價值。而IronStone，這家由William Hambrecht創立的被視為異類的創投，在資料分析上走得比同行們更遠更快。根據一些已經公佈的資訊，他們聲稱一個創業公司的團隊因素只會在他們的整個考量過程中佔到12%，即使團隊和人員長期以來被傳統創投視為最為重要的一項影響因素；而另外20%被分給了創業公司的其他各項指標，餘下的68%則全部被市場因素佔用：將要進入的市場的環境、公司的調整週期、市場的變化是否可被預期等等。
目前已知的或公開聲稱正在或將要使用數量分析來投初創公司的主要機構包括上文提及的Google Ventures、KPCB、Sequoia Capital、IronStone、Y Combinator，以及 500Startups、August Capital、Accel Partners、Andreessen Horowitz、Floodgate Fund、Greylock Partners、SVAngel等等。其中，Accel Partners專門撥出1億美元作為大資料基金 (Big Data Fund)，而Greylock已在使用其內部資料團隊製作的專有資料分析工具。Google+、Facebook和Twitter等社交網路是目前被作為資料採集的主要源頭。
傳統的VC決策流程，可以大致劃分為5個階段：
- 潛在的市場有多大？
- 潛在的市場機會有多少？能從競爭對手處搶到多少市場份額？
- 潛在的商業模型是什麼？營收和利潤能達到什麼水平？
- 保守估計，潛在的運營/產品成本有多少？通過這輪融資能夠滿足團隊運營的週期？
- 5至10年內是否會有潛在的退出機會或IPO機會？
最重要的是大部分VC在拍板前，還會自問：我是否喜歡這個團隊/這個團隊是否值得投資？
而在引入了資料分析之後，這個流程會受到什麼樣的影響？下圖是我根據經驗以及整理各個VC大佬們的文章後製作的一張圖表，反映了美國的主流VC在不同投資階段主要用到的有關資料分析的工具。
舉例來說，一家提倡資料分析投資並專注於早期投資(early stage/seed stage)的VC會在初期尋找投資目標時通過AngelList和Seedsummit這樣的初創公司資料庫進行海選，之後利用CapLinked之類的流程管理平臺建立聯絡關係網並設定一定的篩選投資流程。目前針對早期公司的量化評估還未出現什麼靠譜的工具，不過有些VC會用一個叫YouNoodle的來蒐集一個初創公司的競爭對手的資訊，以此評估該團隊的市場競爭力。OwnYourVenture則提供了一個平臺，VC和創業者可以在輸入相關資料後得出幾輪投資後的股權價值分配情況。而在某輪融資結束後，VC可以自建資料庫以跟蹤所投公司的運營，也可以通過Startup Genome這樣的平臺來跟蹤公司資訊或當地創業市場。
在此不得不重點介紹下CB Insights和PitchBook。CB Insights作為一家有著金融行業背景的紐約初創資料公司，在整合行業資料和資料分析上做得相當出色，他們定期的行業資料分析報告為VC和其他相關媒體機構廣為應用，而他們推出的不少視覺化資料分析工具也頗有價值。PitchBook也有著出色的視覺化資料平臺，但是他們的產品則針對各初創公司提供了更為具體的資訊，豐富的VC資料庫也為創業者和投資者們提供了檢視各家VC具體資訊的平臺。當然，36Kr+資料庫對於國內的VC和創業者們來說是一個很好的工具，我們也會不斷改進完善我們的資料庫、新增新的功能，以更好地服務國內的創業者和投資人們。
CB Insights的視覺化資料庫
PitchBook所提供的VC資訊介面
憑心而論，目前這種規模的資料分析或許無從談及大資料，但是倘若將待分析的資料庫規模擴大10倍，甚至100倍，大資料這樣的技術就足以讓極大地提高創投的反應速度，而至於結果的質量，或許需要一個相對長的時間來給我們答案。移動技術快速發展產生的大量資料則是一個很好的案例。都說移動技術的發展正在極大地改變每一個行業、甚至每一個人的生活，這一樣可以用在創投界。大資料的時代才剛剛來臨，而移動網際網路和移動裝置產生資料的能力和潛力是難以預估的，最好的例子便是在剛過去的雙十一里，淘寶有15%的交易額來自移動端。對於想要掌握使用者需求和習慣的創業者，以及希望發現有成長潛力的產品和創業者的VC們來說，這個時代或許會是一個前所未有的黃金時期。
對VC來說，手頭有了資料之後，問題就在於如何有效地分析資料並量化評估標準。舉例來說，一個房地產投資人可以用Case Shiller房價指數這樣的量化指標來衡量當前的市場環境，用公開資料和政府檔案來評估某傢俱體開發公司的運營狀況；而專注於投資上市公司的投資者，簡單的標普500指數和某家公司的市盈率就能勾畫出一個投資機會的輪廓。對於VC和天使投資人來說，這樣的畫面在投初創公司的時候是難以想象的。VC的盡職調查(Due Diligence)很多時候只能通過投資者的人際網交流和主觀感受來完成，而不是像投行們那樣甩出成摞的Excel和精美的盡職調查報告。縱使諸如CB Insights、Crunchbase、AngelList這樣的資料平臺的大量出現能夠改變VC們以往那種缺乏資料的生活，但是如何選擇資料、如何將資料轉換成有用的資訊，則是VC們的下一個難題。
自 中國統計網