(本文作者Thomas Thurston是風投公司Ironstone Group的首席技術總監和資金經理。同時，他也是數據科學公司Growth Science的CEO，這家公司主要工作是運用算法和新的科技來預測商業行為。)
   
       數據在現代商業的決策中的地位在不斷上升，那為何風投不跟上這個潮流呢？ 什么時候風險投資的依據會從直覺轉向算法呢？
 
　　我們生在一個算法的時代。便宜的計算和相應的軟件給各個領域都帶來了巨大的進步?，F在的數據學家利用算法來預測天氣，疾病，賽事結果，選舉結果，哪部電影會最為賣座，甚至是你的未來另一半。
 
　　與此同時，風投業還處在十分古典的階段，它更多的是一門藝術而非科學。因而，為何沒有更多的VC利用數據科學來指導他們的投資呢？
 
　　傳統的VC會去拜訪那些初創企業，然后再用他們的個人直覺從中擇優去劣。對少數精英VC來說，這種直覺引導的投資會帶來極大的回報，然而全美的前500家風投卻總體表現得并不如意。美國風投報告(National Venture Capital Index)顯示，整個風投業在2000到2010年的整體回報率為負。我們無需為此指責VC們，畢竟從一群初創企業中選出其中的佼佼者比表面上看起來要難許多。然而為何不因此讓VC們做出更多基于數據的決定呢？

對于將數據科學引入風投產業的阻力主要有兩個：
 
　　首先，很多人會說基于數據科學的對初創企業的預測是十分不靠譜的，相較之下，他們更相信業內高手的直覺。
 
　　其次，即便假設基于數據科學的預測是靠譜的，依然有人認為這不可行。因為許多人認為這會引導不良的社會和道德風氣(機器可以取代人的決定)。
 
　　盡管如此，數據科學早已進入了風投業。舉例來說，有一家不愿透露姓名的風投完全采用數據分析的方式進行投資，并且已經掌握一億六千五百萬美元的基金，投資了大概四十家初創企業。這家企業利用近二十年來的風投數據，在兩個星期內做出投資決定;并且，他們從不獨立投資(只會和別的風投一起投資);而且從不在董事會占有席位。這家公司會根據初創企業的行為為其評分，然后把得分最高的公司進行人工審核然后才能通過最后的投資評審。
 
　　我所在的公司，Ironstone也使用類似的審核程序。Ironstone會使用機器和人工的混合評審法在兩個星期內決定是否參投初創公司。如果在數據分析這關過不了，那這單投資就沒戲。如果公式告訴我們，“這家公司能行”，那也需要經過第二層的人工審核階段。Ironstone的數據采集自發給初創企業的調查問卷和來自其他途徑的數據。不同的是，Ironstone是愿意獨領一輪投資的。
 
　　Google Ventures作為一家投資了170多家初創企業的風投公司也使用這種混合審核法，在投資企業前對其進行嚴格的數據分析。Google Ventures的Bill Maris說：“我們有世界上最多的數據，也有最為強大的云計算能力。如果我們不利用這些資源而直接就去隨意投資那實在是太愚蠢了。”據說現在很多更為傳統的風投公司也開始使用一些數據分析了。
 
　　除了篩選優秀的初創企業和增加收益外，在風投中引入數據科學還有什么好處呢？
 
　　快速
 
　　運用數據科學來篩選的好處之一就是它很快。一旦輸入收集到的數據，很快確定的結果就可以出來了。這也就是像Ironstone這樣的公司能在兩個星期內就決定是否投資一家公司的原因了。相較之下，傳統的VC可以很快的拒絕一家初創企業，但決定起是否投資一家初創企業來卻非常的慢。如果一家初創企業被選中，VC們可以耗費數月的時間來爭論是否投資這家公司。
 
　　客觀
 
　　傳統的VC做出投資決定所憑借的大多是一時沖動，因而很容易受到一系列的認知誤差的干擾。比如說，他們的決定可能會被當時的室溫，之前吃的食物，睡眠質量還有其他雜七雜八的因素極大的影響。盡管算法可能看上去很笨，但它們總是客觀的。它們不會感到疲憊、勞累、饑餓、情緒化或是被血統顯赫的創辦人誤導。
 
　　有理有據
 
　　創業者總是抱怨說VC總是用一些莫名其妙甚至是有問題的標準去評價他們的企業。確實，認知偏差可能會極大的干擾VC們，讓他們沒法集中精力去評析初創企業。相對的，數據科學可以完全的屏蔽這些認知“雜音”。盡管不同的算法帶來的結果不同，但他們至少是基于現實的假設和數據的，而非一時的心血來潮。
 
　　有提高空間
 
　　算法背后的邏輯是直白而清晰的。你可以直接的看到它是怎樣做出決定的。這使得算法有堅實的基礎使它能夠得到改進。然而直覺卻不是這樣的直白和清晰。VC們那些天馬行空的直覺在長期可靠性上比起算法來實在是差遠了。
 
　　然而在風投界，針對算法篩選的雙重標準依然是存在的。對于一套算法來說，在考慮其是否能進入風投的決策程序時，VC還有投資者們幾乎都會質詢是否有支持它的大量數據，它在統計上的穩定性，以及在操作層面的可行性。不僅如此，他們還會苛求算法中出現的樣本大小，緊密的對應關系，以及清晰的定義。然而VC們那些飄忽的直覺卻往往既沒有經過任何的統計測試，也沒有在操作上確定過可行性，甚至一點都不簡明清晰。
 
　　延伸性
 
　　因為算法篩選的快速，客觀，精準和可改進性，它能夠極大的縮減每次決策所需要的時間和人力。這可以留出精力給VC們去增加他們的資金而不必陷入無盡的決策泥沼。
 
　　平均來說，一個活躍的VC一年大概會做四宗投資。這個數字不僅是因為VC有多少錢而確立，還受到保質保量的完成一宗投資所需要的人力和時間成本所限制。當資本開始擴張，傳統風投極為耗費資源(人力和時間)的特點便顯露無疑了。結果就是，擁有更多資本的VC想投需要資金量更大的公司，即便這本身沒什么意義。
 
　　VC們對于數據科學的抵觸也許來源于他們與之相關的意愿和技能的缺失。有些VC直白的反對把數據科學引入風投，也有的在默默觀察數據科學在風投中產生的效果，還有一些VC已經開始積極的運用數據科學進行風投了。只要沒有偏見的人都看的出來，VC界正處在一個偉大時代開始前的黎明。