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
在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26在CDA(Certified Data Analyst)数据分析师的能力体系中,线性回归是连接描述性统计与预测性分析的关键桥梁,也是CDA二级认证的 ...
2026-03-26在数据分析、市场研究、用户画像构建、学术研究等场景中,我们常常会遇到多维度、多指标的数据难题:比如调研用户消费行为时,收 ...
2026-03-25在流量红利见顶、获客成本持续攀升的当下,营销正从“广撒网”的经验主义,转向“精耕细作”的数据驱动主义。数据不再是营销的辅 ...
2026-03-25在CDA(Certified Data Analyst)数据分析师的全流程工作中,无论是前期的数据探索、影响因素排查,还是中期的特征筛选、模型搭 ...
2026-03-25在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24