在过去的20年中，Veronica Wu经历了许多重大的技术变革的萌芽。Wu出生于北京，在美国受过教育，她曾在多家美国大型科技公司的中国分公司(苹果，摩托罗拉和特斯拉)担任过高级战略职务。2015年，她被任命为Hone Capital(前身为CSC Venture Capital)的管理合伙人，该公司是中国最大的风险资本和私募股权公司之一的中科招商投资管理集团(CSC Group)的硅谷分支机构。她迅速使Hone Capital成为硅谷的活跃参与者，该公司最著名的一笔投资为用于初创公司的4亿美元，这些初创公司通过AngelList(种子阶段投资的技术平台)筹集了资金。在与麦肯锡的Chandra Gnanasambandam进行的采访中，Wu解释了中美科技投资格局之间的差异并描述了Hone Capital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了可喜的早期成果。
《麦肯锡季刊》：向我们介绍一下你在Hone Capital成立初期所面临的挑战以及你是如何碰到AngelList的。
Veronica Wu：中科招商投资管理集团的首席执行官单祥双(Xiangshuang Shan)曾对我说他想设立国际业务，那时我还没有做过风险投资。我只知道他们是做什么的，也知道进入硅谷的风险投资领域有多困难。成功进入硅谷的外部资本寥寥无几。部分原因是信誉问题。如果你是一名正试图开办公司的企业家，那么你怎么知道下一轮会有一家外国公司，而在硅谷的人们已经建立了信任的记录。
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，这可能是VC投资场景中的一个有趣的技巧。我很快就了解了更多与此相关的信息，即他们如何建立由顶级天使投资者组成的线上生态系统以及源源不断的经过审核的种子交易。该平台使我们得以接触大量关联度极高的人员——我们原本不知道如何与这些人建立联系，我们还未变得更加成熟之前，它们中的一些人甚至不会考虑与我们建立长期的合作。因此，我们将AngelList视为立即可以利用风投社区的机会。
我们还见证了AngelList巨大的数据潜力。我们对早期种子交易的了解并不多，因此很难获得与此相关的信息。我将其视为可以挖掘的数据金矿。因此，我们决定赌一把，也就是与AngelList合作，看看它是否真的可以加速我们获得优质交易的机会。到目前为止，一切都很好。我们非常高兴。我们已经见证了交易数量的巨大增长。因此，当我们开始时，每周大约产生10笔交易，而现在已经接近20笔了。不过，要我说，平均而言，我们只研究了其中80%的交易就因此拒绝了。但是，AngelList团队所建立的交易多样性简直令人难以置信。
《麦肯锡季刊》：你是如何创建机器学习模型的?数据都提供了哪些有趣的洞察?
Veronica Wu：我们从过去十年的30000笔交易数据库中创建了一个机器学习模型，该数据库来源广泛，其中包括Crunchbase，Mattermark和PitchBook数据。对于我们历史数据库中的每笔交易，我们都研究了一个团队是否进行了A轮融资并探讨了每笔交易的400个特征。通过此分析，我们发现了种子交易的20个特征，这些特征可以最可靠地预测未来的成功。
根据这些数据，我们的模型会为我们审核的每笔交易生成一份投资建议，其中考虑到的因素包括投资者的历史转化率，筹集的资金总额，创始团队的背景以及由财团牵头的专业领域等。
我们得出的洞察之一是，未能进入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投资低于150万美元的门槛，这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，或者这虽然是一个好主意，但是需要更多资金才能取得成效。另一个洞察来自对创始人背景的分析，该见解表明了这样一个事实，即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化是一种优势。
《麦肯锡季刊》：你是否遇到过这样的情况，即你的团队希望继续进行的交易，但是数据表明你可能要重新审视最初的结论?
Veronica Wu：实际上，我们最近才遇到一个这样的案例，在这个案例中，我们的分析表明成功的概率为70%或80%。 但是，当我们最初对它进行研究时发现这种商业模式没有意义。从表面上看，它似乎并不有利可图，而且受到诸多监管方面的限制。尽管如此，这些指标看起来十分惊艳。因此，我对主要投资者说：“请向我详细介绍这笔交易及其运作方式。”
他解释说，这些家伙找到了一种巧妙的方法来克服监管限制并创建了独特的模型，客户购买成本几乎为零。因此，我们将机器学习与人类的直觉和判断力相结合，从而产生了我们原本会错过的洞察。我们必须学习更多地信任数据模型，而不是完全依赖它。这实际上是人与工具的结合。
《麦肯锡季刊》：使用机器学习模型后的表现如何?
Veronica Wu：由于我们仅运营了一年多，因此，我们所考察的绩效指标是投资公司是否继续进行从种子期到A轮的后续融资。我们认为这是公司未来获得成功的关键的早期指标，因为绝大多数新兴公司都已经破产并且没有筹集到后续资金。我们对2015年处于种子期的公司进行了事后分析。我们发现，在由风投支持的所有种子期公司中，约有16%会在15个月内继续进行A轮融资。相比之下，我们的机器学习模型推荐可投资的公司中有40%筹集了后续资金，是行业平均水平的2.5倍，这与我们投资团队选择在未使用模型的情况下选择的公司的后续融资率非常相似。但是，我们发现，最好的表现几乎是行业平均值的3.5倍，这要归功于人类对我们投资团队和机器学习模型的建议。这表明了我坚信的东西，即由机器学习增强的决策代表了风险投资的重大进步。
《麦肯锡季刊》：你对其他试图在硅谷建立业务的中国公司有何建议?
Veronica Wu：要我说，成功很大程度上取决于是否放权给当地的管理团队。我发现中国的资金决策速度总是很慢，因为他们不得不等总部的决策。这使他们无法成为初创企业的理想合作伙伴，因为，正如你所知，在硅谷，优秀的初创企业很快就被选中。如果你要等两个月才能做出来自海外的决定，那么他们会在没有你参与的情况下结束该轮融资，因为他们不需要你的钱。有些来硅谷投资的人很容易形成这种错误思维：“我有很多钱，我要参与投资并迅速达成交易”。但是硅谷已经有很多钱了。优秀的企业家非常清楚自己的钱来自何处以及潜在的投资者是否是合适的合作伙伴。如果你无法按照他们的期望与他们合作，那么你将被排除在外。
《麦肯锡季刊》：你会为那些试图与中国风险投资公司合作的美国创始人提供什么建议?
Veronica Wu：要注意的是，创始人必须先了解各种折中方案，然后再考虑要不要接受中资。中国投资者往往想占大头，成为董事会成员并在公司中有发言权。对于一家公司来说，放弃这种权力也许不是一件好事，因为这可能会严重影响公司的发展方向，无论这种影响是好是坏。坚持自由自主才是明智之举。
也就是说，中国投资者确实十分了解中国。创始人应该对中国投资者的建议持开放态度，因为这是一个迥异的市场。在中国，消费行为有很大的不同，这就是大型的外国消费公司试图进入中国时常常失败的原因。其中一个例子是美国的Match.com。它们的模式在美国十分管用，但是在中国效果不佳。有一家中国的初创公司做了同样的事情，但是它们改变了商业模式。它们让你可以找到你感兴趣的人的信息，但是如果你想了解更多信息就必须支付3块或5块人民币。现在，中国消费者希望直观地了解付费项目，但是当他们看到立即可以获得的服务时，他们实际上很乐意掏钱。由于费用很低，因此他们没什么感觉，他们也不知道自己登录的频率和花费的金额。当你研究这家中国公司从每位用户获得的平均收益时，你会发现它实际上比Match.com的营收高。因此，了解你需要转换模型以适应中国消费者的喜好和行为并与具有该市场第一手资料的公司合作可能大有裨益。
《麦肯锡季刊》：你如何看待中国与硅谷在技术投资方面的不同?
Veronica Wu：对于中国而言，风险投资是一个新生事物，而美国则具有更为成熟的模式。因此，这意味着中国人才库尚未得到充分开发。早期，你会看到有很多这些中国私募股权公司在研究各种指标，他们会发现经验良好的公司并利用关系和渠道来确保交易并使其上市，然后将会投资加大三到五倍。从2000年到2010年的十年间，基于该模型的交易激增。但是大多数中国公司并不完全了解风险投资，2005年至2010年的许多重大交易被美国风险公司获得。例如，阿里巴巴和腾讯是美国资助的。几乎每笔早期交易都与外国风险投资家达成了协议。
我认为中国还在学习。两年前，人人都想进入风险投资领域，但他们确实不具备进入该领域所需的技能。因此，初创公司的估值十分离谱。去年泡沫破灭了一点，因为人们意识到你不能什么都赌，毕竟不是所有的互联网报道都是良机。
《麦肯锡季刊》：风险投资释放了巨大的颠覆力量——那么为什么其自身的运营模式在很大程度上保持不变?
Veronica Wu：这是典型的创新者困境，即促使你成功的想法同样有可能使你失败。当我在摩托罗拉工作时，与我们的手机相关的最重要的事情是确保通话质量并避免掉线。当时，天线工程师是所有电话公司中最重要的人。在2005年，我们最好的天线工程师之一被苹果挖走了。但是仅三个月后，他又回来了。他说：“那些家伙不知道怎么做手机”。在摩托罗拉，如果天线工程师说你必须做这样那样的事情来优化天线，那么设计人员就会更改产品设计以适应天线。在苹果公司情况则恰恰相反。设计师会说：“请制造一个适用于这种设计的天线”。iPhone的天线确实有问题，但已经没人在乎了。一部好手机的定义已经发生了改变。在风险投资领域，成功向来是由能够获得最佳交易的一小撮人推动的。但是，我们将押宝风险投资的范式转移，因为新平台使交易更容易达成，而投资决策是通过将人的洞察力与基于机器学习的模型相结合来推动的。
