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
在描述性统计分析、数据预处理、异常值排查与多组数据分布对比工作中,箱线图(Box Plot)是应用最广泛的可视化与统计工具之一。 ...
2026-07-15在企业数据存储、业务统计与数据分析工作中,绝大多数业务数据都带有时间维度属性,例如订单创建时间、用户注册时间、支付完成时 ...
2026-07-15 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 ...
2026-07-15【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 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 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 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 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 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 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 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 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07