در این مصاحبه، ورونیکا وو(۱) بنیانگذار و مدیر عامل Hone Capitalبه بررسی و توضیح چگونگی استفاده از تحلیل داده و یادگیری ماشین برای گرفتن تصمیمات بهتر در سرمایهگذاری در استارتاپهای نوپا میپردازد.
ورونیکا وو در چین به دنیا آمده و در آمریکا تحصیل کردهاست. بعد از تحصیل، او مشغول به کار در نقشهای کلیدی و استراتژیک در بخشهای چینی شرکتهایی همچون اپل، موتورولا و تسلا شدهاست. در سال ۲۰۱۵ نیز او به عنوان مدیرعامل و بنیانگذار Hone Capital که یکی از بزرگترین شرکتهای سرمایهگذاری خطرپذیر چینی در سیلیکون ولی است، انتخاب شدهاست. در این مصاحبه، وو تفاوت بین فضای سرمایهگذاری در حوزه تکنولوژی در آمریکا و چین را توضیح میدهد و بیان میکند که چگونه Hone Capital توانستهاست روشی مبتنی بر تحلیل داده برای سرمایهگذاری در استارتاپهای نوپا با نتایج قابل اطمینان و سریع را ابداع کند.
ابتدا کمی راجع به چالشهایی که در روزهای اول کار در Hone Capital مواجه بودید و اینکه چطور به AngelList رسیدید، توضیح دهید.
زمانی که مدیرعامل CSC Group به من خبر داد که قصد سرمایهگذاری بینالمللی را دارد، من هیچ تجربهای در زمینه سرمایهگذاری خطرپذیر نداشتم. من فقط میدانستم که چه کاری انجام میدهند و اینکه ورود به فضای سرمایهگذاری خطرپذیر در سیلیکون ولی بسیار سخت و دشوار است. زیرا فقط تعداد محدودی از سرمایههای خارجی هستند که موفق به ورود به سیلیکون ولی شدهاند. بخشی از این سختی به اعتماد برمیگردد زیرا یک کارآفرین چطور میتواند به یک شرکت خارجی اعتماد کند که برای دورهای بعدی سرمایهگذاری همچنان در سیلیکون ولی باقی بماند و این در مقابل شرکتهای سرمایهگذاری داخلی سیلیکون ولی است که تا اکنون اعتماد زیادی را جلب کردهاند.
بنابراین سؤالی که ما برای خود تعریف کردیم این بود که چطور میتوانیم به بهترین و برترین معاملات دسترسی پیدا کنیم و اعتماد استارتاپها را جلب کنیم. خوشبختانه یکی از همکاران قدیمی من ، پلتفرم AngelList را معرفی کرد که میتوان گفت تا حدی میانبری در فضای سرمایهگذاری خطرپذیر محسوب میشود. در اصل، این پلتفرم یک اکوسیستم آنلاین از برترین سرمایهگذاران فرشته و همچنین مجموعهای از معاملات مرحله کشت ایده(۲) است. این پلتفرم امکان دسترسی به برخی از مهمترین فعالان این حوزه را فراهم میکند و این در صورتی است که بدون این پلتفرم نمیدانستیم چطور به آنها دسترسی پیدا کنیم و یا خیلی از آنها ما را حتی تا مدتها در نظر نمیگرفتند تا پایه محکمتری در سیلیکون ولی بدست آوریم. بنابراین ما نیز این پلتفرم را یک فرصت بسیار خوب دیدیم تا بتوانیم به فضا و جامعه سرمایهگذاران خطرپذیر وارد شویم.
مزیت دیگر این پلتفرم دادههایی بود که ارائه میداد. زیرا در حالت کلی، اطلاعات زیادی از معاملات مرحله کشت ایده وجود ندارد و به سختی میتوان اطلاعاتی در این زمینه بدستآورد و این دادهها همانند معدن طلایی بودند که فقط نیاز به استخراج و استفاده داشتند. بنابراین تصمیمی که گرفتیم این بود که با AngelList شریک بشویم و تلاش کنیم که به برترین معاملات مرحله کشت ایده دسترسی پیدا کنیم. تا به الآن نیز همه چیز خوب بوده و ما از این تصمیم خود بسیار راضی هستیم. زمانی که شروع کردیم، در حدود ۱۰ معامله در هفته میدیدیم و این عدد اکنون به ۲۰ رسیدهاست. البته به صورت میانگین ما ۸۰٪ معاملات را رد میکنیم ولی مهم تنوع معاملاتی است که تیم AngelList ارائه میکند.
مدل یادگیری ماشین ما مبتنی بر ۳۰۰۰۰ معامله از یک دهه گذشته است و ما برای این کار از منابع مختلفی همچون Crunchbase، Mattermark و PitchBook Data استفاده کردهایم. در ابتدا برای هر معامله بررسی کردیم که آیا به تأمین سرمایه سری A رسیدهاند یا نه و بعد از آن، به بررسی ۴۰۰ پارامتر برای هر یک از معاملات پرداختیم. نتیجه این تحلیل نیز بدست آمدن ۲۰ پارامتر مهم برای معاملات مرحله کشت ایده شد که اگر آنها را داشتهباشند، به احتمال بسیار زیاد در آینده به موفقیت خواهند رسید.
بر اساس این داده، مدل ما پیشنهاداتی در سرمایهگذاری را برای هر معاملهای که در حال بررسی هستیم، ارائه میدهد. این مدل پارامترهایی نظیر مجموع سرمایههای جذب شده و تاریخچه و سابقه تیم بنیانگذار را در نظر میگیرد.
یکی از نتایج این تحلیل این بود که استارتاپهایی که نتوانستند به سری A برسند، به طور میانگین سرمایه مرحله کشت ایده ۵,۰ میلیون دلار و آنهایی که توانستند به سری Aبرسند، میانگین سرمایه مرحله کشت ایده ۵,۱ میلیون دلار را داشتند. بنابراین اگر یک استارتاپی، سرمایهای به میزانی کمتر از ۵,۱ میلیون دلار جذب کردهاست، بیانگر این است که ایده آنها خیلی مورد استقبال سرمایهگذاران قرار نگرفتهاست و احتمالا ارزش زمانگذاری برای ما را نیز ندارد و یا اینکه ایده خوبی است ولی نیاز به جذب سرمایه بیشتری دارد. مثال دیگری که از تحلیل تاریخچه و سابقه بنیانگذاران بدستآمد، این بود که معاملهای که بنیانگذاران آن از دو دانشگاه متفاوت فارغالتحصیل میشوند دو برابر شانس و احتمال موفقیت دارد تا معاملهای که بنیانگذاران آن از یک یکسان دانشگاه فارغالتحصیل شدهباشند. و این نتیجه، اهمیت داشتن دیدگاههای متفاوت بر موفقیت را تأیید میکند.
اتفاقا اخیرا یک موردی بود که دادهها بیانگر موفقیت با احتمال ۷۰٪ تا ۸۰٪ را نشان میدادند ولی در ابتدا که ما به آن نگاه کردهبودیم، مدل کسبوکار آن خیلی واضح و خوب بنظر نمیآمد. بر روی کاغذ، این معامله سودده بنظر نمیآمد و محدودیتهای قانونی زیادی نیز برای آن وجود داشت. ولی با این وجود، دادهها نتایج خیلی خوبی را نشان میدادند و بنابراین من از سرمایهگذار اصلی خواستم که بیشتر درباره این معامله و این که چگونه کار میکند توضیح بدهد.
او توضیح داد که بنیانگذاران این استارتاپ توانستهاند یک راه هوشمندانه برای دورزدن محدودیتها پیدا کنند و یک مدل منحصربهفرد بسازند که در آن تقریبا هزینه جذب مشتری صفر است. بنابراین میتوان گفت که با استفاده از یادگیری ماشین توانستیم موقعیتهایی که در حالت کلی آنها را رد میکردیم و فرصت آنها را از دست میدادیم، بدستآوریم و جلو ببریم. ما باید یاد بگیریم که به دادهها میتوانیم اعتماد کنیم ولی کاملا به آنها نباید اتکا نکنیم. در حقیقت میتوان گفت که موفقیت در استفاده از ترکیب انسانها و ابزار است.
ما تنها بیش از یک سال است که شروع به استفاده از این مدل کردهایم و معیار موفقیتی که خود را با آن میسنجیم این است که آیا یک شرکت پورتفولیو میتواند به جذب سرمایه در دور بعدی برسد و از مرحله کشت ایده به سری A برود یا خیر. ما بر این باور هستیم که این معیاری کلیدی برای موفقیت یک شرکت در آینده است زیرا اکثر استارتاپها قبل از این که به دور بعدی جذب سرمایه برسند، تعطیل میشوند و کنار میروند. ما همچنین تحلیلی بر روی گروهی از استارتاپهایی که در مرحله کشت ایده در سال ۲۰۱۵ بودند کردیم و نتیجه این تحلیل این شد که تنها در حدود ۱۶٪ تمام استارتاپهایی که در مرحله کشت ایده بودند و پشتوانه سرمایه خطرپذیر داشتند، توانستند به جذب سرمایه سری A در ۱۵ ماه برسند. از طرفی نیز ۴۰٪سرمایهگذاریهایی که ما با استفاده از مدل یادگیری ماشین خود انجام دادیم، به دور بعدی جذب سرمایه رسیدند و این یعنی موفقیت ۵,۲ برابری نسبت به میانگین کل سرمایهگذاریهایی این حوزه که از مدل یادگیری ماشین استفاده نکردهاند. با این وجود بهترین عملکرد یعنی ۵,۳ برابر کردن این تعداد، زمانی بدست آمد که ما ترکیبی از پیشنهادات انسانی و تحلیل داده را با هم استفاده کردیم و این موفقیت بیانگر موضوعی است که من واقعا به آن باور دارم و آن تصمیمگیری ترکیبی با استفاده از تحلیل داده و یادگیری ماشین است که بیانگر پیشرفتی عظیم در حوزه سرمایهگذاری خطرپذیر میباشد.
من به آنها میگویم که موفقیت به میزان زیادی تنها وابسته به سپردن کارها به تیم مدیریت آنجا (سیلیکون ولی) خواهد بود. من سرمایهگذارهای چینی زیادی را میبینم که در تصمیمگیری بسیار کند و آهسته عمل میکنند و این تنها به این دلیل است که منتظر دستور از شرکت خود در چین هستند و این باعث میشود که آنها شرکای بدی برای استارتاپها شوند، زیرا همانطور که میدانید استارتاپهای خوب در سیلیکون ولی بر روی زمین نمیمانند و زود برداشته میشوند. شما نمیتوانید دو ماه برای گرفتن یک تصمیم منتظر بمانید و در نهایت آنها بدون شما معامله را انجام میدهند زیرا آنها به پول شما نیازی ندارند. خیلیها که به سیلیکون ولی میآیند، این باور غلط را دارند که چون پول زیادی دارند میتوانند معاملات زیادی را انجام بدهند و همه سمت آنها خواهند آمد حال آنکه در سیلیکون ولی پول بسیار زیادی وجود دارد و این معیاری درستی برای موفقیت نیست. از طرفی نیز کارآفرینان زبده، خیلی دقت به خرج میدهند درباره اینکه سرمایه آنها از کجا جذب میشود و اینکه آیا یک سرمایهگذار بالقوه میتواند شریک خوبی باشد یا خیر. اگر شما نمیتوانید آن طور که آنها از شما انتظار دارند کار کنید، آنها به راحتی شما را کنار میگذارند.
بنیانگذاران باید به آنچه که در مقابل پول چینیها میدهند، دقت داشتهباشند. سرمایهگذاران چینی، بخش بزرگی از یک شرکت، عضویت در هیأت مدیره و داشتن حق رأی را میخواهند. و این شاید برای یک شرکت مناسب نباشد که همچنین قدرتی را واگذار کند زیرا این تصمیم احتمالا جهت شرکت را تغییر خواهدداد و این میتواند برای آن شرکت خوب یا بد باشد. بنظر من نگاهداشتن آزادی خود، یک تصمیم هوشمندانه است.
البته از طرفی نیز سرمایهگذاران چینی، چین را خوب میشناسند و بنیانگذاران بهتر است که به توصیههای آنها در زمینه سرمایهگذاران چینی و بازار آنها توجه کنند چرا که بازار چین با آمریکا فرق دارد. رفتار مصرفکننده در چین کاملا متفاوت است و این دلیل عدم موفقیت شرکتهای بزرگ خارجی برای ورود به چین است. برای مثال میتوان به Match.com اشاره کرد که شرکتی آمریکایی است. مدل کسبوکار این شرکت بسیار خوب طراحی شدهاست ولی همین مدل در چین به خوبی کار نکرد. یک استارتاپ چینی کاری مشابه را انجام داد ولی مدل کسبوکار را به این شکل تغییر داد که شما میتوانید اطلاعاتی راجع به افرادی که به آنها علاقهمند هستید را پیدا کنید ولی اگر میخواهید بیشتر بدانید باید مبلغی بین ۳ تا ۵ رنمینبیبپردازید. مصرفکنندگان چینی دوست دارند که بدانند برای چه چیزی پول پرداخت میکنند و حالا که میدانند با پرداخت، سریعا به نتیجه آنچه برایش پول دادند میرسند، اتفاقا سریعتر پول خرج میکنند. از طرفی نیز به این خاطر که این مبلغ کمی است، نسبت به هزینه بیتفاوت میشوند و متوجه نیستند که چند بار وارد سایت میشوند و هزینه پرداخت میکنند. ولی اگر به میانگین درآمد این استارتاپ از هر نفر نگاه کنیم، میبینیم که حتی از Match.com نیز بیشتر است. بنابراین این خیلی مهم است که مدل کسبوکار خود را منطبق بر رفتار مصرفکننده بازار هدف (در اینجا چین) تغییر دهیم و کارکردن با تیمی که بازار آنجا را میشناسد بسیار کمککننده خواهدبود.
سرمایهگذاری خطرپذیر یک موضوع جدید برای چین است و این در حالی است که آمریکا مدلی توسعهیافتهتر و رشدیافتهتر دارد. در دهه سالهای ۲۰۰۰ تا ۲۰۱۰ سرمایهگذاری خطرپذیر در چین کاملا شناختهشده نبود و به همین دلیل بسیاری از معاملات بسیار خوب بین سالهای ۲۰۰۵ تا ۲۰۱۰ توسط سرمایهگذاران خطرپذیر آمریکایی انجام میشدند. مثلا Alibabaو Tencentپشتوانه مالی آمریکایی دارند. میتوان گفت که در اوایل این دوران، تقریبا تمام معاملات خوب با سرمایهگذاران خطرپذیر خارجی بسته میشد.
من فکر میکنم که مردم در چین هنوز در حال یادگیری هستند. دو سال پیش، همه میخواستند وارد حوزه سرمایهگذاری خطرپذیر شوند ولی هیچکسی مهارت لازم را نداشت. بنابراین استارتاپها با قیمتهای مضحکی ارزشگذاری میشدند و این حباب حدودا یک سال پیش ترکید و مردم متوجه شدند که نمیتوانند بر روی هر چیزی سرمایهگذاری کنند و هر ایدهای لزوما فرصت خوبی نخواهد بود.
این معضل مرسوم بین نوآوران است که ایدهای که باعث موفقیت شما میشود، ایدهای است که باعث شکستتان میشود. زمانی که من در موتورولا کار میکردم، مهمترین چیزی که درباره تلفنهای همراه مهم بود کیفیت صدا و از بین نرفتن ارتباط بود. در آن زمان مهندسین آنتن مهمترین مهندسین در شرکتهای تلفنسازی بودند. در سال ۲۰۰۵، یکی از بهترین مهندسین آنتن ما برای کار به اپل دعوت شد ولی سه ماه بعد دوباره به موتورولا برگشت. او گفت که در اپل کسی نمیداند که چطور باید تلفن همراه بسازد.
چرا که زمانی که یک مهندس آنتن میگوید کاری باید انجام شود تا آنتن بهتر عمل کند، طراح باید طراحی را طوری تغییر دهد که آنتن به آن شکل ساخته شود. ولی همانطور که میدانید در اپل دقیقا برعکس این اتفاق صورت میگیرد و طراح میگوید که باید آنتنی ساخته شود که داخل این طراحی قرار بگیرد. و البته که آیفون مشکلات آنتن داشت ولی دیگر کسی به آن توجه نمیکرد زیرا تعریف یک تلفن همراه خوب، تغییر کردهبود. در دنیای سرمایهگذاری خطرپذیر نیز موفقیت تا به اینجا وابسته به گروه کوچکی بوده که به معاملات خوب دسترسی دارند. ولی ما فکر میکنیم که این معیار تغییر خواهد کرد و پلتفرمها دسترسی به معاملات خوب را برای سرمایهگذاران دیگر افزایش خواهند داد و همچنین تصمیمگیری نیز ترکیبی از تصمیم و قضاوت انسانها و مدلهای یادگیری ماشین خواهدشد.
منبع:
McKinsey Quarterly, 26 June 2017
—–
Veronica Wu (۱
seed deals (۲
کلیه حقوق سایت متعلق به انجمن سرمایه گذاری خطرپذیر ایران می باشد.
طراحی و توسعه : وب گوهر
