VC对创业公司的投资流程是怎么样的?

本文揭示了风险投资公司从初次接触创业者到最终投资的过程。通常,为了完成十笔投资,风投公司会审核大约1200家初创企业,并通过多种渠道获取投资线索。在会面后,仅有约10%的公司会被邀请进行深入调研,而最终只有少数几家公司能够获得投资。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

当我和创业者进行会晤时,常常被他们问一些关于风投内幕的事情。比如我们会关注多少投资交易?会开多少场会议?我们多久会做次深入调研?在申请投资的初创公司里,我们会投资多少家?

我认为,如果风投公司可以提供一定的透明度,也许会对创业公司有所帮助,从最初的会晤开始,到最后成功投资,本文将大致阐述一下相关情况。

如果要完成十笔投资交易,一般风投公司会审核大约1200家公司。

投资线索:这1200家公司来自于很多渠道,比如人脉介绍,投资会议,内部调研,积极尝试,投资组合转介,还有种子投资人等等。在这1200家公司里面,我们会找出大约500家公司,然后我们会安排投资团队内的相关人员与他们进行面对面的会晤。

在会晤中,我们最看重的一点,就是公司创始人的背景。我们会判断他们是否有经验,有能力,去抓住自己追求的那个机遇。

当然,路演也非常重要。我们会关注路演是否简明扼要,是否能吸引人。

此外,绝对部分风投公司在投资一家公司的时候,会考虑该公司与自己已经投资组合的公司之间是否会产生竞争。

就笔者个人而言,如果我不愿意和某些初创公司见面,最主要的原因就是,这个创业者并不受我信任的人欢迎。

投资会议:每年,一般的VC都会进行500场面对面的投资会议,在这一阶段,大约只有10%的初创公司会进入到下一轮。那么,初创公司究竟该怎么做,才能让风投公司愿意进一步深入,并花时间在自己身上谨慎处之呢?

进入亚马逊,谷歌,微软等美国IT企业工作人才项目,起薪40万,百度搜索(MUMCS)

首先,绝大多数早期风投公司都在寻找一些产品和市场有理想契合度的公司,当有公司满足这一条件之后,我们还希望确认这家公司是否能够解决一个实际问题,这个实际问题通常和硅谷没多大关系,因为在硅谷湾区,客户本身就没多少,而且许多企业创始人彼此都是好友,也就是说,在硅谷无法验证某个产品是否真正拥有市场。

另外,在投资会议上,会有一个原因导致沟通不畅,这种情况往往是这样的:一家初创公司团队会说,自己在五年之内能够获得5000万美元收入,但是他们却很难详细阐述出自己会如何获得第一个100万美元的“首桶金”。

深入调研:在这500余次的会议中,一家中等规模的风投公司在一年里,大概会对其中的50家进行深入调研。

深入调研包含的工作有很多,比如产品复查,客户推荐,高管团队引荐,财务建模,市场分析,以及竞争力分析等等。在这一阶段,如果有一些与产品交互频率较高的客户,效果会比较好。

在前几年时间里,风投公司会关注那些年收入增长率至少在100%的公司。不过,在前期会晤过程中,许多公司都达不到这样的标准,这样风投公司也会失去对他们的投资的信心。

风投公司会非常关注一家公司客户的流失情况,以及公司与客户之间的联系。

投资:一家典型的中等规模风投公司,会在经过自己深入调研的50家中选取10家公司进行投资。为什么这些公司能够最终脱颖而出呢?其中一些要素是非常重要的,比如有效的客户获取,或是该公司有一个非常有魅力的CEO,大家都愿意跟着他干。如果说,一家公司的员工不愿意跟着CEO继续干,那么这家公司的投资可能就会亮红灯了。

另外市场规模也很重要,就我们而言,希望公司可以提供一个较为合理的方法,告诉风投公司自己有能力获得1亿美元的年收入。如果是一个专注于提供解决方案的行业,那么你最好有3亿美元的市场规模,因为一旦该公司成为了行业标杆,那么他们就能获得30%到50%的市场份额。而对于一个跨行业的解决方案来说,他们可以解决跨行业的痛点,那么该公司可能需要10亿美元的市场规模,因为在不同行业里,每一个市场领导者可能只能有5%到10%的市场份额。

在现实中,也许只有1%的初创公司创始人最终获得了风险投资,本文介绍的相关内容或许对创业者有所帮助,可以优化自己获得投资的战略。如果首次会晤没有成果,好的风投公司会给初创公司提供一些特别的反馈。绝大多数风投公司会和自己会晤过的企业创始人保持联系,如果未来这些“落榜”的初创公司有所改变,或是变得更有竞争力,也是很令人振奋的。

进入亚马逊,谷歌,微软等美国IT企业工作人才项目,起薪40万,百度搜索(MUMCS)

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
内容概要:本文详细介绍了哈希表及其相关概念和技术细节,包括哈希表的引入、哈希函数的设计、冲突处理机制、字符串哈希的基础、哈希错误率分析以及哈希的改进与应用。哈希表作为一种高效的数据结构,通过键值对存储数据,能够快速定位和检索。文中讨论了整数键值和字符串键值的哈希方法,特别是字符串哈希中的多项式哈希及其优化方法,如双哈希和子串哈希的快速计算。此外,还探讨了常见的冲突处理方法——拉链法和闭散列法,并提供了C++实现示例。最后,文章列举了哈希在字符串匹配、最长回文子串、最长公共子字符串等问题中的具体应用。 适合人群:计算机科学专业的学生、算法竞赛选手以及有一定编程基础并对数据结构和算法感兴趣的开发者。 使用场景及目标:①理解哈希表的工作原理及其在各种编程任务中的应用;②掌握哈希函数的设计原则,包括如何选择合适的模数和基数;③学会处理哈希冲突的方法,如拉链法和闭散列法;④了解并能运用字符串哈希解决实际问题,如字符串匹配、回文检测等。 阅读建议:由于哈希涉及较多数学知识和编程技巧,建议读者先熟悉基本的数据结构和算法理论,再结合代码实例进行深入理解。同时,在实践中不断尝试不同的哈希策略,对比性能差异,从而更好地掌握哈希技术。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值