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!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27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