猎云网8月31日报道（编译：孙媛 田小雪）
编者注：作者Andrew Chen经营过多家企业，自1994年起接触互联网营销，在互联网上从事各种商业活动。从网络拍卖到房地产交易，具有多年的实战经验。近年来专注于网络流量分析与运用，运用其独特的商业直觉与营销手法，创造年订单千万人民币的辉煌纪录。
今年，我最喜欢的就是Nate Silver所著的《信号与噪声》这本书。书中涵盖了非常多的不同的话题，有天气、有政治，还有关于赌博的，但是我不自觉地就从初创企业或者是技术角度来解读了这篇文章。
毕竟，技术初创企业这一行充满着预测——我们会预测有潜力的市场以及有潜力的产品，我们不停地将预测作为重点、作为核心。当然了，对于如何挑选胜利者——尤其是种子轮以及A轮投资的胜利者，风险投资业务有着更加直接的了解。
可是，在预测成功与失败方面，我们做得也并不好。我以前写过我自己关于Facebook的一些怀疑，但这只是我个人的观点，因为我并不是一个专业的技术人员。
但是在我看来，那些专业的挑选胜利者的风险资本家们其实也预测得不太准确。大家都注意到了风险资本资产的费用以及类别已经落后于公共市场，所以最好还是买点指数基金比较稳妥。
初创企业例外论=稀疏数据集=低劣的预测模型
预测下一个突破型初创企业的最大挑战就是他们非常罕见。
每年起步于美国的科技创业公司中，大约有15家可以达到年收益上1亿美元。而这15家企业在那一年创造了该领域大约97%的收益，而这其中的每一家都是一个例外。在这个行业里，我们目光短浅地注视着每一家企业。
Mike Maples认为，现在有太多种子轮融资、有太多的创业公司在寻求融资、有太多的风投在进行种子投资。而很多风投的种子轮项目其实就是个笑话。人们总是研究错误的问题，因为他们用过于宏观的方式来对待风险企业。人们过度分析失败者，并且把他们的结果和赢家混为一谈。
科技行业充满了例外性，所以它从不按人们的期望去发展。对于所有如谷歌、Facebook一类的上市公司来讲，每年流入行业的资金大约有200亿美元，而这相对于整个私募资本而言，只是一笔很小的数额。
而这笔数额已经没法变得更大。因为这笔投入的资金中，只有一小部分获得了所有的利润。尽管美国有超过700家公司被列为营业公司，但只有97家能够连续4个季度投资金额超过100万美元。
了解各种可能性之后，我们的大脑就开始进行飞速的模型匹配。一旦出现了像Google这样的划时代的引人注目的初创企业，接下来的几年里，我们都会不停地问诸如“团队有没有博士？你的产品是什么等级？”之类的问题。
而现在有了AirBnb之后，我们的态度出现了非常大的转变，不再对它抱有怀疑态度，而是变成了极其拥护的粉丝。因为数据点非常少，所以我们所创造出来的预测模型其实并不是很好，过于简单，只不过多了一些像头条和原声摘要播出这样博取眼球和舆论中心的内容。
这些简单的模型所给出的只是一些很普通、很一般化的建议。正如我之前写过的一样，在供应商、媒体和顾问之间有一个非常完整的生态系统。而有些顾问连具体情况都不管，都给出了一模一样的建议。
比如说投资良好的用户体验、立即收费、快速迭代、仔细估量、早期发布、长时间工作、更多融资、更少融资等这些想法，对于新手来说是很有用处的，但是说如果对任何一种情况都不顾后果地进行应用的话，那就危险了。
我们都会简单地模仿这些所谓的“智慧”，但是我们又如何能分辨哪些是好的建议，哪些是坏的建议呢。思考一下，如果每年只有10到15家公司是属于突破型的，那么有多少人有正确创建突破型企业的第一手经验呢？
如果你在硅谷工作过，一定收到过以下几个提议：
你有那个应用吗？
你在那家风投公司做过pitch吗？
你应该在产品上和那家公司做相同的事情！
嘿！你遇到他/她了没？
你觉得把那个框架运用在我们的产品上，好不好？
是不是听起来很熟悉？对于此类的提议真是听得如雷灌耳。所以，我称其为“advice autopilot（建议自动驾驶仪）”。
当你懒于思考问题，取而代之去搜索相关答案时，advice autopilot就出现了。如果你没有思路，开始联系一些在硅谷活动或者会议室里听到的信息时，大家的创新意识其实是一致的——管它三七二十一，每个人都采取相同建议。
那么，问题来了！真正有意义的提议怎么可能出自于单一的意见呢？事实上，好的提议都是以“这种情况下……”为开头的，并且会考虑到具体的情境。但是，我们是懒鬼啊！我们还是会求助于自动意见机，周而复始地做、读、建模。
在硅谷，最神奇的对比是在于运用模式识别来预测未来，但却沉迷于小概率的一夜暴富。
对于初创企业而言，例外是极其小范围的。每年会发生这样的例外企业只有5到10家。而且其中，你还得包括 Facebook和谷歌在内。
从新兴层面上，也包括可能最终会成为例外神话的企业，例如：Dropbox、Square、 Airbnb和Twitter等等。
这只是小部分特别牛气冲天的企业，可不是什么抽象的数据。
当然，从哈佛退学的企业家很优秀，但是斯坦福大学辍学的创业者更是厉害；谷歌的人才非常不错，但是Paypal的更为优异；真可谓是山外有山，人外有人。但是无论做什么，切记不可夫妻档，当然VMWare和Cisco除外。
任何运用统计学的人都知道，当你有个小型数据库和大量变量时，预测根本就是徒劳。除了尝试之外你别无选择。
其实将注意力集中于小部分的企业存在着知名的逻辑谬误，即存活者偏差（Survivorship Bias）。存活者偏差指的是当我们将闪光灯投射在这些成功企业时，却忽略了同样类型企业中的消极数据，而这些企业最终以未公开的失败而告终。就好比，我们只关心两位来自斯坦福大学的博士创建了谷歌，却忽略了很多斯坦福大学的博士创业失败的事实。又比如，YC孵化了很多独角兽企业，例如Airbnb和Dropbox，然后你就想如果让你投资600多家创企，自己一定也能孵化出个独角兽。
那么，你就太天真了。
怎么能拿某些方面的因素以偏概全呢？
一致性只会催生一般水准的结果。
问题在于听取了相似的观点最终只会得来一致性，换言之结果单一乏味。完全按照大众建议执行，你的产品也就是平民水准。
然后呢？你的创业失败了！
不要忘了，Naval Ravikant的一段话：“投资者总在寻觅万里挑一的创企，所以他们看中的是企业的不寻常之处。不需要企业面面俱到（团队、产品或者pitch等等），只要有一件事做到出色即可。作为初创企业，你必须在某一方面有所长。”
你的竞争优势将给予你出彩的机会。 那小部分的团队知道自己在做什么，他们很认真地工作，想要抵达成功的彼岸。跟着这些人，你会发觉自己在变得优秀。成为独角兽的问题在于：你是如何将关键性要素和无用信息区分开呢？
当然，得看情况而定。
刺猬和狐狸
Nate Silver是美国最具影响力的预测专家之一。在他的书中我想起了自己对于初创企业一般化建议的厌恶。下面是维基百科对于“狐狸和刺猬”这一概念的定义。
有两种人：一种叫做刺猬，这是指通过单一化的定义来看待事件的那些人；另外一种叫做狐狸，这一类人会从很多种经验、经历中进行总结，对于他们来说这个世界绝对不是以一种单一化的观点来衡量。
Silver很明显是属于狐狸那一种，我们可以将他的方式与那些控制电视以及收音机上的政治演讲相比较。对于更加好胜、更加反叛的博学家来说，他们越是确定，那就越是说明他们想要博取眼球。就像在那些博客中，作者可以写像《热门企业被新产品弄垮的10个理由》或者《每家初创企业都应该关心X》之类的头条文章来获取相应的稿费奖励。
那种类似刺猬的行为，我们可以解读为总是会存在于预测市场态势的压力之中。媒体人总是想要揭示那些发展的潮流或者试图简化一些复杂的思想。投资者会不停地被问到所投资的初创公司的领域以及投资的原因。所以说，现在企业家都被迫扩大投资市场的领域和范围，找寻更加有竞争力的对手，不停地进行改变以找到一种描述市场态势的简单规律。
而想要解决这一切并不是那么容易，如果说想要做狐狸派，那就意味着你要进行大量的数据攫取，从多种角度看问题，以做出一个包含所有数据点的结论。UPenn的Philip Tetlock创立了研究良好预测的公开比赛，所以说在预测这门科学上还有很多的功课要做。以下是Edge.org采访的部分内容，讲述了他的一些学术研究:
你需要将抽象、有趣的事件转变为可验证的假说，然后你就要汇集一大批会思考的人员对这些可验证的假说进行可行性判断。你需要不断循环，重复论证该问题。刺猬更有可能去接受快速、有限的启发式教育，速度为先。
如果你有类似框架的棘手问题，你很有可能会去思考：能够掌握框架的人是否有能力快速判断当前状况，并且自信地得出答案。这些事物都是同时变化，互相牵制的。
虽然说简化个人预测，得出单一的结论比较便捷。但是你仍然可以再认真思考，看得更远一些。你可以突破单一的论点，用不同的公式衡量同一件事物。
个人经历
我在硅谷待了5年，在那期间我学到的关于预测初创企业的最有用一点就是校准。虽然在上文中已经有所提及，但是简单来说就是一定要仔细想想你了解什么、不了解什么。后来我才发现我能够做出正确决定的那些专业知识和技能其实太少了，我做了很多的工作，比如说网上发布广告、数据分析、消费者交流，我以为自己的判断在那领域已经是鹤立鸡群的程度，但其实在领域之外，我不过是只井底之蛙罢了。
当时我在作分析的时候，就试图结合我所了解的相关知识。现在来说，我目前已经比我最初进SF时的那种年轻不懂事的状态要好得多了。在大众化建议领域，我也试图做得勤奋一点，如果说我跟每一个企业家都说着相同的内容，那么我就会尽量重新定义，然后仔细考虑产品的具体细节和细微差别。虽然这样做更方便也比较偷懒，但是总是比一遍一遍地重复同样的内容要好得多。
所以说一定要做一只狐狸，而不要做一只刺猬。
Source:andrewchen
