數據告訴你什麼值得投，EQT Ventures用機器學習挑戰古典VC

數據與演算法在商業決策中扮演著越來越重要的角色。在二級市場中，基金經理們使用演算法交易來進行投資管理並不是少見的事。相比之下，風險投資行業還處在相對古典的階段，許多VC依然堅持投資是一門難以標準化的藝術。

但隨著技術的進步，越來越多的投資機構開始用演算法輔助投資，而更少地依賴投資者本身的判斷。著名的Google Ventures也採用了混合審核的方法，將數據作為投資標的分析的重要參考之一。

但來自瑞典斯德哥爾摩的EQT Ventrures認為，除了審核之外，數據與演算法還能做到更多。這家風險投資基金管理著超過6.5億美元資產，他們想通過機器學習技術，趕在所有人之前抓住那些有潛力但還默默無聞的公司。

合伙人Henrik Landgren在接受Fast Company採訪時表示，VC尋找項目的傳統方法，是通過人脈獲得創業者的信息，再從中選取心儀者進行約談。更現代的方法則是通過先進技術、數據與演算法，去主動地接觸優質的項目。

EQT Ventures 開發了一套機器學習系統Motherbrain。這套系統使用多個財務數據作為參數，包括融資信息、網站排名、APP排名以及社交網路上的活躍度等。學習的方法則是監督學習與無監督學習相結合：首先使用無監督學習對公司進行聚類，聚類完成後再在Motherbrain中錄入對項目的人為判斷，並將這些判斷標記作為訓練集，進一步優化Motherbrain的演算法。

Landgren認為，在一個新的行業或市場中，數據往往是非常混亂甚至互相矛盾的。無監督學習直接建立在未標記數據的基礎上，能夠避免過擬合，生成表現更好的演算法。

除了橫向對比賽道中的競爭者，縱向追蹤公司的發展脈絡同樣是有趣的事情。Motherbrain可以通過學習某家創業公司的過往軌跡以及其他參數相類似的公司，預測其將來的發展走向，從而篩選出那些即將起飛的優秀公司。

傳統的項目篩選方式存在著無法逾越的局限：有時優秀的公司並沒有融資需求，也就不會高調地尋求資金或積極地聯絡投資人，導致它們難以被投資人發掘；有時優秀的項目來自人脈不夠廣的初次創業者，它們往往在依賴主觀判斷的投資邏輯中遭受偏見，投資人們因此與他們失之交臂；有時出於距離的限制，投資人們沒有途徑去接觸海外的投資者們，未能把握住新興市場中的機會。

這些障礙不僅窄化了投資人的視野，也使得部分優秀的創業者尋求投資無門。由技術驅動的Motherbrain正在幫助EQT Ventures跨越這些障礙。與此同時，Motherbrain也在大幅提升投資的效率。

今年五月獲得EQT Ventures 760萬美元投資的德國創業公司AnyDesk就是Motherbrain的受益者之一，這家公司在沒有對外尋求投資的情況下收到了一封來自EQT Ventures的郵件。它是出現在Motherbrain的投資雷達上的第一批公司。

篩選出潛在的目標公司之後，Motherbrain的工作並沒有到此為止。它能夠提供海量數據，輔助分析師們對這些公司進行審核。在投後服務方面，系統內的市場規模、競爭對手、新興技術、未來走向等數據也能夠向創業者們提供信息支持。

然而，客觀的數據與演算法仍然有天然的不足之處，不完整的數據或者錯誤的數據可能會導致不理想的機器學習結果。因此，EQT Ventures與多個資料庫保持合作，希望在擴大數據的覆蓋面的同時，交叉驗證數據的準確性。

也因為認識到技術的缺陷，EQT Ventures依然認可人的判斷在投資中的重要性。Landgren說：「我們正在搭建的是一個AI決策的平台，人與大數據都在其中起著非常重要的角色。我們仍然需要通過傳統的方式與創業者建立關係，而Motherbrain的作用是告訴我們，應該在什麼時間點與誰建立關係。」

EQT Ventures的主頁標語將自己定位為半VC半創企

EQT Ventures的合伙人們並不來自華爾街。他們全部都有歐洲科技公司的創始人或高管背景，如Spotify, Huddle和Rebtel。

EQT Ventures並不是唯一一家使用數據分析與機器學習來尋找投資目標的公司。36氪曾轉載過一篇對兩家數據型風投機構——倫敦的InReach Ventures已經以及舊金山的SignalFire的報道。前者的演算法則是將創業公司正在招聘的人、開發中的產品以及網站的流量等因素作為數據集中的參數。而後者建造了一個追蹤全球800萬家創業公司的「迷你谷歌」，除了銷售數據、學術刊物和財務報表以外，SignalFire還自主研發了一個追蹤人才流向的軟體，並根據這些依據構建投資組合。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！