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
在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17