研究驱动型创业公司

作者认为硅谷正在重归以研发为重的传统，并认为创业公司应放弃追求完美的开局，从尽早发布可用的产品做起，待获得用户和风险投资后，再深入研发不迟。

　　英文原文：http://measuringmeasures.com/blog/2010/7/2/research-driven-startups.html

　　硅谷的根基是研究，而 Web 热潮已将它改变为消费媒体软件。像 Facebook 和 Twitter 这样的公司从简单的程序造起，获得投资后再招募研究人员。

　　不过，我想我们可能正处在数据与研究复兴的启蒙时期。

　　我们正看到越来越多的研究驱动的数据类创业公司。我们正看到越来越多的类似 Facebook 和 Twitter 这样的创业公司，它们初期不以研究和数据为重，但之后便需要通过研究或数据支撑其业务的个性化、精准广告投送、产品推荐、高级产品或其他形式的情报以转化成收入。

　　如果该假设是正确的，那么就需要了解如何做好这样的创业公司。

　　通过产品解决问题，以研究为基础，借数据处理推动

　　该类创业公司的存在价值一目了然。

　　收集并处理数据，接着从中提取信息，并通过研究获得有用的情报，再以此开发能够解决某个问题的产品。

　　问题 <- 产品 <- 情报 <- 研究 <- 信息 <- 加工 <- 数据

　　某些时候，我们只想到「信息」阶段，没有关系，「情报」的获得仍需深入的工作。

　　技巧

　　我们需要仰赖三大技能。

• 研究人员：机器学习，统计学，数学，计算机科学。
• 系统黑客：专注于数据储存、传送、队列、处理的计算机科学家和工程师，在许多情况下还需要分布式系统的技能。
• 前端工程师：设计师、交互设计师、JavaScript 高手、用户体验。

　　研究人员和前端工程师需专注于产品，而三者都需要专注于数据。

　　通过产品化消解复杂度

　　有一条数据护城河是远远不够的。

　　如果你是 B2B，你可以通过 API 将数据丢给用户，乐得清闲。如果你是 B2C，消费者才不想要什么数据，他们只希望问题能获得解决。

　　即使大多数 B2B，用户需要的也不是原始数据，而是经过加工后的数据。他们要的是何时采取行动的信号，而不是晦涩的概率分布。

　　人们通常玩不转概率论。见卡尼曼和特沃斯基的研究，以及他们的预期理论。

　　对于 B2C 来说，你得有一款可爱的产品。然后你需要从数据中获得信息，并自信满满的期待自己能够将信息加工成有用的情报。

　　那么这个领域内的大赢家，就是能把海量的数据和复杂度装入极简的界面之中。见下图 :p

　　先找到「足够好」的模型

　　研究驱动的数据型创业公司的资源往往重度受限。于是，先开发出一个「足够好」的而又简单的模型，借助这个模型发现问题，然后获得顾客的关注和投资者的融资，以及诸如此类的玩意。

　　对于这类创业公司，应该做到，在最优的解决方案出炉之前就要拿出产品来。有了足够好的方案，才能继续深入研究，并逐步成为最好的方案。

　　这是重要的观念，宜尽早考虑为妙。如果在同样的风险下，仅凭较小的边际收益便能击败标普 500 指数，你将会成为一个英雄。对于其他问题，只要你足够努力，自然能够解决。

　　如果结果必须精准无误，那么也许你想要解决的问题并不适合研究驱动型创业公司。如果你的项目只需稍作改进就能产生效益，那么正适合用来启动创业公司。

　　日复一日，你总会做的更好 — 完美的开局不足以让你押上全部的赌注。

　　从单个数据源开始

　　如果你把许多不同的数据源集成到单视图中用于创建你的特征向量，那么接着你也许会想以某个单一的数据源作为模型的基础，然后将其他数据源分次装入。

　　许多问题的模式相通：一个主要的密集数据源和几个增入主源的系数稀疏数据源。

　　如果一次整合过多数据，你也许会发现自己已被数据处理和转换的复杂度压倒，而这亦会伤及你的研究能力。也可能会限制你从数据源中提取信息的能力，因为不断的修改数据，你便很难专注于从每个数据源中提取信息。

　　软件开发的经验教训

　　早发布、常发布、多评估。没错 — 在做这些的时候你都可以继续研究。

　　那种认为可以肆意制定未来研究目标的看法纯属胡说八道。一步一个脚印 — 这种方法更好。

　　步伐可能会有所不同，时间也可能会有不同，而且也许有很多困难，但你仍可以步步为营。

　　是研究带我走入敏捷和 TDD（编者：测试驱动型开发，Test-Driven Development）。自从 2003 年以来，我一直这么做研究。TDD 是一门科学 — 提出你的假设，找到测试的办法，然后便去测试。

　　选定你的度量以及测试的方法。什么才是足够好呢？什么时候才能达到收益递减点？

　　不要想那些你死了后都完不成的东西。你要不断的告诫自己。

　　假设检验

　　请记住，在创业公司， 一切都是假设，而你的工作就是测试假设。

• 你可以从数据源中提取多少数据？也许你有大量的数据，但杂讯过多，价值过少。
• 数据的稀疏程度如何？那种极为详实但却罕有的数据源亦无助于事。
• 你能找到一个足够简单模型，能够迅速启动，并也能招徕用户吗？
• 你能利用那些从早期的「足够好」的模式所获得的收入来扩展业务或精进研究吗？
• 你的模型可以产品化或装入某个人们非常在意的服务之中吗？

　　创造解决问题的办法

　　回想一下，研究驱动的数据型创业公司获取数据，通过处理数据得到信息，接着在此之上研究出有用的情报，然后将它做成产品，解决一个问题。

此外，还请记得，在某些情况下，我们仅能得到信息，但这已足够。我们还有许多问题。有时候，情报部分不是十分必要，宁可早一些做出产品，不妨将解决的办法挪到今后。

为人们解决问题，请做一些研究吧。