在过去的20年里，VeronicaWu经历了许多重大技术变革的萌芽。吴出生于北京，在美国接受教育，曾在多家美国大型科技公司（苹果、摩托罗拉和特斯拉）的中国子公司担任高级战略职务。2015年，她被任命为HoneCapital（前身为CSCVentureCapital）的管理合伙人，该公司是中国最大的风险投资和私募股权公司之一CSC集团的硅谷分支机构。她很快使HoneCapital成为硅谷的活跃参与者，最著名的是通过种子期投资技术平台AngelList向初创公司投资4亿美元筹集资金。在接受麦肯锡的ChandraGnanasambandam采访时，Wu解释了中美科技投资格局的差异，并描述了HoneCapital如何开发一种数据驱动的方法来分析潜在的种子交易并取得有希望的早期结果。《麦肯锡季刊》：跟我们说说你在鸿资本早期遇到的挑战，以及你是如何遇到AngelList的。VeronicaWu：中科招商投资管理集团CEO单向双曾经跟我说他想做国际化的业务，当时我还没有做过创投。我只知道他们是做什么的，想打入硅谷的风投界有多难。很少有外部资本成功进入硅谷。部分问题在于可信度。如果你是一名试图创办公司的企业家，你怎么知道下一轮会有一家外国公司，而硅谷的人有建立信任的记录。对我们来说，问题变成了：“我们如何获得最重要的交易，以便我们建立信任网络？”我很幸运，我的一位前麦肯锡同事向我介绍了一个名为AngelList的平台，这在VC投资领域可能是一个有趣的技巧。我很快了解到更多这方面的信息，以及他们如何建立一个顶级天使投资者的在线生态系统和源源不断的经过审查的种子交易。该平台让我们可以接触到大量关系密切的人——我们不知道如何与之联系的人，其中一些人甚至不会考虑与我们建立长期关系，直到我们变得更加成熟。因此，我们将AngelList视为利用VC社区的直接机会。我们也见证了AngelList巨大的数据潜力。我们对早期种子交易知之甚少，因此很难获得这方面的信息。我将其视为可供挖掘的数据金矿。所以我们决定赌一把，与AngelList合作，看看它是否真的能加快我们获得大笔交易的机会。到目前为止，一切都很好。我们很开心。我们看到交易数量大幅增加。所以当我们开始时，我们每周产生大约10笔交易，现在我们接近20笔。但是，我想说平均而言，我们只研究80%的交易并相应地拒绝它们。然而，AngelList团队建立的各种交易简直令人难以置信。《麦肯锡季刊》：你是如何创建机器学习模型的？数据提供了哪些有趣的见解？VeronicaWu：我们根据过去十年中30,000笔交易的数据库创建了一个机器学习模型，这些交易来自各种来源，包括Crunchbase、Mattermark和PitchBook数据。对于我们历史数据库中的每一笔交易，我们都会查看一个团队是否进行了A轮融资，并研究了每笔交易的400个特征。从这个分析中，我们发现了种子交易的20个特征，这些特征最能可靠地预测未来的成功。基于这些数据，我们的模型会为我们审查的每笔交易生成投资建议，同时考虑投资者的历史转化率、募集资金总额、创始团队背景和专业领域等因素为首的财团等待。我们得出的一个见解是，未进入A轮融资的初创公司的平均种子投资为50万美元，而进入A轮融资的初创公司的平均投资为150万美元。因此，如果一个团队获得的资金低于150万美元的门槛，则表明他们的想法没有引起投资者的足够兴趣，这可能不值得我们花时间，或者这是一个好主意，但需要更多资金才能取得成果。另一个见解来自对创始人背景的分析，这表明与毕业于两所不同大学的两位创始人达成交易的可能性是与来自同一所大学的两位创始人达成交易的可能性的两倍。这支持了观点的多样性是一种优势的观点。《麦肯锡季刊》：您是否遇到过这样的情况，您的团队想要继续进行交易，但数据表明您可能想要重新审视您最初的结论？VeronicaWu：其实我们最近只有一个这样的案例，在这个案例中我们的分析表明成功的可能性是70%或者80%。然而，当我们最初研究它时，这种商业模式并没有意义。从表面上看，它似乎并不盈利，而且受到众多监管限制。不过，这些指标看起来相当令人印象深刻。所以我对主要投资者说，“请告诉我更多关于这笔交易的信息以及它是如何运作的。”他解释说，这些家伙找到了一种巧妙的方法来绕过监管限制，并创造了一种独特的模式，让客户的购买成本几乎为零。因此，我们将机器学习与人类的直觉和判断相结合，以产生我们可能会错过的洞察力。我们要学会更加信任数据模型，而不是完全依赖它。这真是人与工具的结合。《麦肯锡季刊》：使用机器学习模型后的表现如何？VeronicaWu：由于我们才运营了一年多，我们看的业绩指标是投资公司是否持续进行从种子期到A轮的后续融资。我们认为这是公司未来成功的关键早期指标，因为绝大多数初创公司已经破产并且未能筹集到后续资金。我们对2015年种子期公司进行了事后分析。我们发现，在所有VC支持的种子期公司中，约有16%在15个月内进入A轮融资。相比之下，我们的机器学习模型推荐投资的公司中有40%筹集了后续资金，是行业平均水平的2.5倍，这与我们的投资团队在不使用机器学习的情况下选择的公司的后续率相同。该模型。融资利率非常相似。然而，我们发现，由于人工向我们的投资团队和机器学习模型推荐，最佳表现几乎是行业平均水平的3.5倍。这表明我坚信，机器学习增强的决策能力代表了风险投资的重大进步。《麦肯锡季刊》：您对其他想在硅谷创业的中国公司有什么建议？VeronicaWu：我想说成功在很大程度上取决于地方管理团队的权力下放。我发现中国的资助决策总是很慢，因为他们必须等待总部的决定。这使得他们不是初创公司的理想合作伙伴，因为正如您在硅谷所知，优秀的初创公司很快就会被选中。如果你等了两个月才得到海外的决定，他们会在你不参与的情况下结束这轮融资，因为他们不需要你的钱。一些来硅谷投资的人很容易形成这样的错误思维：“我有很多钱，我想参与投资，快点成交”。但是硅谷已经有很多钱了。优秀的企业家非常清楚他们的钱从哪里来，以及潜在投资者是否是合适的合作伙伴。如果你不能按照他们的期望与他们一起工作，那么你就会被排除在外。《麦肯锡季刊》：对于正在尝试与中国风投公司合作的美国创始人，您有什么建议？VeronicaWu：需要注意的是，创始人在考虑是否接受中国资本之前，必须先了解各种妥协。中国投资者通常希望占据最大份额，成为董事会成员并在公司中拥有发言权。对于一家公司来说，放弃这种权力可能不是一件好事，因为它可能会严重影响公司的发展方向，无论是好是坏。坚持自由和自主是明智的。也就是说，中国投资者确实非常了解中国。创始人应该对中国投资者的建议持开放态度，因为这是一个非常不同的市场。中国的消费者行为非常不同，这就是为什么大型外国消费品公司在尝试进入中国时经常失败的原因。美国的Match.com就是这样的一个例子。他们的模式在美国行之有效，但在中国却不太行。有一家中国创业公司也做了同样的事情，但他们改变了商业模式。它们可以让你找到你感兴趣的人的信息，但如果你想了解更多的信息，你就得付三五块钱。今天，中国消费者希望对他们支付的费用有一个直观的了解，但当他们看到一项立即可用的服务时，他们实际上很乐意为此付费。由于费用如此之低，他们感觉不到，他们不知道自己登录的频率和花费了多少。当您查看这家中国公司的每位用户平均收入时，它实际上高于Match.com的收入。因此，了解您需要转变模式以适应中国消费者的偏好和行为，并与对这个市场有第一手了解的公司合作，这可能是有益的。《麦肯锡季刊》：您如何看待中国和硅谷在科技投资方面的不同？VeronicaWu：对于中国来说，风险投资是一个新事物，而美国有更成熟的模式。所以这意味着中国的人才库没有得到充分开发。早期，你会看到很多这样的中国私募股权公司在研究各种指标，他们会找到经验丰富的公司，利用关系和渠道来确保交易并上市，然后他们会投资三到五倍。从2000年到2010年的十年间，基于该模型的交易激增。但大多数中国企业并不完全了解风险投资，2005年至2010年的许多重大交易都是被美国风险投资公司收购的。例如，阿里巴巴和腾讯是美国资助的。几乎每笔早期交易都是与外国风险投资家达成的。我认为中国仍在学习。两年前，每个人都想进入风险投资，但他们确实没有进入它所需的技能。结果，初创公司的估值高得离谱。去年泡沫破灭了一点，因为人们意识到你不能押注所有事情，毕竟并不是所有的互联网故事都是好机会。《麦肯锡季刊》：风险投资释放了巨大的颠覆性力量——那么为什么它自己的运营模式大体保持不变？VeronicaWu：这是典型的创新者困境，推动你成功的想法同样有可能让你失败。当我在摩托罗拉工作时，与我们手机相关的最重要的事情是确保通话质量并避免掉话。当时，天线工程师是所有电话公司中最重要的人员。2005年，我们最好的天线工程师之一被Apple挖走了。但仅仅三个月后，他又回来了。“那些人不知道如何制造手机，”他说。在摩托罗拉，如果天线工程师说你必须做这做那来优化天线，设计师就会改变产品设计以适应天线。在Apple，情况恰恰相反。设计师会说“请制作适用于此设计的天线”。iPhone的天线确实有问题，但已经没人在意了。好手机的定义已经改变。在风险投资中，成功传统上是由一小群能够获得最佳交易的人推动的。但我们将押注风险投资的范式转变，因为新平台使交易更容易，投资决策是通过将人类洞察力与基于机器学习的模型相结合来驱动的。
