研究驅動型創業公司

作者認為矽谷正在重歸以研發為重的傳統，並認為創業公司應放棄追求完美的開局，從儘早發佈可用的產品做起，待獲得使用者和風險投資後，再深入研發不遲。

矽谷的根基是研究，而 Web 熱潮已將它改變為消費媒體軟體。 像 HTTP://www.aliyun.com/zixun/aggregation/1560.html">Facebook 和 Twitter 這樣的公司從簡單的程式造起，獲得投資後再招募研究人員。

不過，我想我們可能正處在資料與研究復興的啟蒙時期。

我們正看到越來越多的研究驅動的資料類創業公司。 我們正看到越來越多的類似 Facebook 和 Twitter 這樣的創業公司，它們初期不以研究和資料為重，但之後便需要通過研究或資料支撐其業務的個人化、精准廣告投送、產品推薦、高級產品或其他形式的情報以轉化成收入。

如果該假設是正確的，那麼就需要瞭解如何做好這樣的創業公司。

通過產品解決問題，以研究為基礎，借資料處理推動

該類創業公司的存在價值一目了然。

收集並處理資料，接著從中提取資訊，並通過研究獲得有用的情報，再以此開發能夠解決某個問題的產品。

問題 <- 產品 <- 情報 <- 研究 <- 資訊 <- 加工 <- 資料

某些時候，我們只想到「資訊」階段，沒有關系，「情報」的獲得仍需深入的工作。

技巧

我們需要仰賴三大技能。

研究人員：機器學習，統計學，數學，電腦科學。 系統駭客：專注于資料儲存、傳送、佇列、處理的電腦科學家和工程師，在許多情況下還需要分散式系統的技能。 前端工程師：設計師、交互設計師、JavaScript 高手、使用者體驗。

研究人員和前端工程師需專注于產品，而三者都需要專注于資料。

通過產品化消解複雜度

有一條資料護城河是遠遠不夠的。

如果你是 B2B，你可以通過 API 將資料丟給使用者，樂得清閒。 如果你是 B2C，消費者才不想要什麼資料，他們只希望問題能獲得解決。

即使大多數 B2B，使用者需要的也不是原始資料，而是經過加工後的資料。 他們要的是何時採取行動的信號，而不是晦澀的概率分佈。

人們通常玩不轉概率論。 見卡尼曼和特沃斯基的研究，以及他們的預期理論。

對於 B2C 來說，你得有一款可愛的產品。 然後你需要從資料中獲得資訊，並自信滿滿的期待自己能夠將資訊加工成有用的情報。

那麼這個領域內的大贏家，就是能把海量的資料和複雜度裝入極簡的介面之中。 見下圖 :p

先找到「足夠好」的模型

研究驅動的資料型創業公司的資源往往重度受限。 於是，先開發出一個「足夠好」的而又簡單的模型，借助這個模型發現問題，然後獲得顧客的關注和投資者的融資，以及諸如此類的玩意。

對於這類創業公司，應該做到，在最優的解決方案出爐之前就要拿出產品來。 有了足夠好的方案，才能繼續深入研究，並逐步成為最好的方案。

這是重要的觀念，宜儘早考慮為妙。 如果在同樣的風險下，僅憑較小的邊際收益便能擊敗標普 500 指數，你將會成為一個英雄。 對於其他問題，只要你足夠努力，自然能夠解決。

如果結果必須精准無誤，那麼也許你想要解決的問題並不適合研究驅動型創業公司。 如果你的專案只需稍作改進就能產生效益，那麼正適合用來啟動創業公司。

日復一日，你總會做的更好 — 完美的開局不足以讓你押上全部的賭注。

從單個資料來源開始

如果你把許多不同的資料來源集成到單視圖中用於創建你的特徵向量，那麼接著你也許會想以某個單一的資料來源作為模型的基礎，然後將其他資料來源分次裝入。

許多問題的模式相通：一個主要的密集資料來源和幾個增入主源的係數稀疏資料來源。

如果一次整合過多資料，你也許會發現自己已被資料處理和轉換的複雜度壓倒，而這亦會傷及你的研究能力。 也可能會限制你從資料來源中提取資訊的能力，因為不斷的修改資料，你便很難專注于從每個資料來源中提取資訊。

軟體發展的經驗教訓

早發佈、常發佈、多評估。 沒錯 — 在做這些的時候你都可以繼續研究。

那種認為可以肆意制定未來研究目標的看法純屬胡說八道。 一步一個腳印 — 這種方法更好。

步伐可能會有所不同，時間也可能會有不同，而且也許有很多困難，但你仍可以步步為營。

是研究帶我走入敏捷和 TDD（編者：測試驅動型開發，Test-Driven Development）。 自從 2003 年以來，我一直這麼做研究。 TDD 是一門科學 — 提出你的假設，找到測試的辦法，然後便去測試。

選定你的度量以及測試的方法。 什麼才是足夠好呢？ 什麼時候才能達到收益遞減點？

不要想那些你死了後都完不成的東西。 你要不斷的告誡自己。

假設檢驗

請記住，在創業公司， 一切都是假設，而你的工作就是測試假設。

你可以從資料來源中提取多少資料？ 也許你有大量的資料，但雜訊過多，價值過少。 資料的稀疏程度如何？ 那種極為詳實但卻罕有的資料來源亦無助于事。 你能找到一個足夠簡單模型，能夠迅速啟動，並也能招徠使用者嗎？ 你能利用那些從早期的「足夠好」的模式所獲得的收入來擴展業務或精進研究嗎？ 你的模型可以產品化或裝入某個人們非常在意的服務之中嗎？

創造解決問題的辦法

回想一下，研究驅動的資料型創業公司獲取資料，通過處理資料得到資訊，接著在此之上研究出有用的情報，然後將它做成產品，解決一個問題。

此外，還請記得，在某些情況下，我們僅能得到資訊，但這已足夠。 我們還有許多問題。 有時候，情報部分不是十分必要，寧可早一些做出產品，不妨將解決的辦法挪到今後。

為人們解決問題，請做一些研究吧。

[原文連結；作者：Bradford Cross]

來源：HTTPs://apple4.us/2010/07/research-driven-startups.html