
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
Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22