Дэвид Смит, главный офицер по данным в TheVentureCity – Серия интервью

Дэвид Смит, также известный как “Дэвид Данные”, является главным офицером по данным в TheVentureCity, платформе венчурного капитала, которая инвестирует в международные стартапы, ориентированные на программное обеспечение, и предоставляет операционную поддержку.

Можете ли вы описать свою роль в качестве главного офицера по данным в TheVentureCity и что это включает в себя?

Я руковожу командой людей, которые оценивают возможности инвестирования с помощью данных, предоставляемых стартапами; управляют живыми потоками данных от наших портфельных компаний и технологическим стеком, который их поддерживает; проводят индивидуальный анализ для портфельных компаний; консультируют портфельные компании по технологическим стекам и аналитике; и создают продукты, которые автоматизируют и расширяют наши возможности аналитики.

Когда вы выполняете инвестиционную проверку, какие переменные учитываются?

Мы оцениваем вовлеченность, удержание, стоимость клиента на протяжении всей жизни, распределение доходов и динамику роста, и сравниваем их с отраслевыми стандартами. Для этого мы получаем данные о событиях и транзакциях на уровне пользователей, чтобы измерить:

• Среднее количество дней активности за последние 28;
• месяц к месяцу удержание пользователей и доходов;
• удержание пользователей в течение 6+ месяцев;
• чистый доход от удержания в 12-й месяц;
• удержание пользователей и стоимость клиента на уровне когорты;
• периоды окупаемости расходов на маркетинг;
• месячные темпы роста пользователей и доходов и быстрые коэффициенты (которые измеряют эффективность роста);
• распределение доходов по базе клиентов;
• И, возможно, другие метрики, специфичные для данного случая.

Вес того, как много мы учитываем каждую метрику, перечисленную выше, зависит от ситуации.

Для венчурных компаний что самое важное – это то, насколько быстро компания может расти, какие метрики наиболее важны для определения этого?

Самая важная метрика – удержание, как пользователей, так и доходов. Удержание можно измерить несколькими способами: месяц к месяцу или после 6 месяцев для более долгосрочного взгляда. Хорошее удержание сигнализирует о соответствии продукта и рынка и позволяет эффективно расти. Гораздо легче расти, если вам не нужно заменять большинство пользователей из месяца в месяц. Если у вас есть продукт на большом рынке, который соответствует этому рынку и может расти эффективно, вы готовы к быстрому росту.

Можете ли вы поделиться некоторыми деталями о Growth Scanner, инструменте, который помогает основателям понять, насколько хорошо они растут?

Growth Scanner позволяет любому основателю с продуктом на рынке получить оценку соответствия продукта и рынка и эффективности роста. Мы преобразуем сырые данные, предоставленные нам стартапом, в отчет, который представляет метрики, описанные выше, их отраслевые стандарты и комментарии нашей команды. Мы рассмотрели сотни стартапов таким образом и знаем, что искать и подчеркивать. Анализируя их бизнес через нашу призму роста, основатели часто узнают что-то новое о своем бизнесе, чего они ранее не видели.

Венчурные компании известны тем, что все еще используют Excel и другие устаревшие методы для организации инвестиционных данных, как TheVentureCity решает эту проблему?

Мы инвестировали в нашу команду данных и ее стек, чтобы автоматизировать прием и преобразование данных о продуктах и транзакциях из нескольких источников в стандартизированную аналитическую основу.

Как венчурные компании могут использовать хорошие данные, чтобы подойти к работе со стартапами более персонализированным образом?

Детальные данные о продуктах, которые мы получаем от наших портфельных стартапов, позволяют нам понять, что происходит с каждой компанией. С такими данными у нас под рукой, мы можем выйти за пределы наших стандартных панелей и глубоко погрузиться в данные, когда это необходимо. Мы можем иметь очень конкретные разговоры с нашими командами стартапов о том, что говорят данные, и как действовать.

С учетом того, что галлюцинации являются одним из наиболее значительных недостатков использования генеративного ИИ, как стартапы, которые полагаются на модели LLM, должны решать эту проблему?

Им следует нанять правильных людей, которые знают, как курировать высококачественные обучающие данные, тонко настраивать и проверять модель, и использовать подходы с человеком в цикле.

Каково ваше видение будущего ИИ и того, как венчурные компании будут инвестировать в эту область?

Мы должны ожидать экспоненциальных достижений в возможностях ИИ в целом, и моделей, основанных на трансформерах, в частности, в обозримом будущем. Мы будем выходить за пределы того, чтобы делать текущие продукты и процессы более эффективными, и начнем учиться о новых продуктах и процессах, которые ранее были невозможны.

Спасибо за интервью, читателям, которые хотят узнать больше, следует посетить TheVentureCity.