David Smith, Director de Datos en TheVentureCity – Serie de Entrevistas
David Smith, Director de Datos en TheVentureCity - Entrevistas
David Smith, también conocido como “David Data”, es el Director de Datos en TheVentureCity, una plataforma de capital de riesgo que invierte a nivel internacional en startups impulsadas por software y brinda apoyo operativo.
¿Podría describir su rol como Director de Datos en TheVentureCity y en qué consiste?
Lidero un equipo de personas que evalúa oportunidades de inversión utilizando datos proporcionados por las startups; gestiona flujos de datos en tiempo real de nuestras empresas en cartera y la infraestructura tecnológica que las respalda; realiza análisis personalizados para las empresas en cartera; asesora a las empresas en cartera sobre infraestructuras tecnológicas y análisis de datos; y desarrolla productos que automatizan y amplían nuestras capacidades analíticas.
Al realizar la debida diligencia de inversión, ¿qué variables se consideran?
- LMSYS ORG presenta Chatbot Arena una plataforma de referencia de LLM con batallas anónimas y aleatorias realizadas por la multitud
- Conoce a MPT-7B un nuevo modelo de lenguaje de código abierto entrenado en 1T tokens de texto y código seleccionados por MosaicML.
- Cómo mirar las tareas comunes de aprendizaje automático con una mirada fresca
Evaluamos la interacción, retención, valor de vida del cliente, distribución de ingresos y dinámicas de crecimiento, y las comparamos con los puntos de referencia de la industria. Para hacer esto, obtenemos datos de eventos y transacciones a nivel de usuario para medir:
- Promedio de días activos en los últimos 28;
- Retención de usuarios y de ingresos mes a mes;
- Retención de usuarios a los 6 meses;
- Retención neta de ingresos a los 12 meses;
- Retención de usuarios y valor de vida del cliente a nivel de cohorte;
- Periodos de recuperación de gasto en marketing;
- Tasas de crecimiento mensual de usuarios e ingresos y ratios rápidos (que miden la eficiencia de crecimiento);
- Distribución de ingresos entre la base de clientes;
- Y tal vez otras métricas particulares a un caso específico.
La importancia que damos a cada métrica mencionada anteriormente depende de la situación.
Para las empresas de capital de riesgo, lo más importante es la rapidez con la que una empresa puede crecer, ¿cuáles son las métricas más importantes para identificar esto?
La métrica más importante es la retención, tanto de usuarios como de ingresos. La retención se puede medir de varias formas: mes a mes o después de 6 meses para una vista a más largo plazo. Una buena retención indica una adecuación entre el producto y el mercado, y hace posible un crecimiento eficiente. Es mucho más fácil crecer si no tienes que reemplazar a la mayoría de tus usuarios de un mes a otro. Si tienes un producto en un mercado grande que se ajusta a ese mercado y puede crecer de manera eficiente, estás preparado para escalar rápidamente.
¿Podría compartir algunos detalles sobre el Escáner de Crecimiento, una herramienta para ayudar a los fundadores a saber cómo están creciendo?
El Escáner de Crecimiento permite a cualquier fundador con un producto en el mercado obtener una evaluación de la adecuación entre el producto y el mercado y la efectividad del crecimiento. Convertimos los datos en bruto proporcionados por la startup en un informe que presenta las métricas descritas anteriormente, sus puntos de referencia en la industria y comentarios de nuestro equipo. Hemos analizado cientos de startups de esta manera y sabemos qué buscar y resaltar. Al examinar su negocio a través de nuestra perspectiva de contabilidad de crecimiento, los fundadores frecuentemente aprenden algo sobre su negocio que no habían visto antes.
Las empresas de capital de riesgo son conocidas por seguir utilizando Excel y otros métodos anticuados para organizar los datos de inversión, ¿cómo aborda TheVentureCity este desafío?
Hemos invertido en nuestro equipo de datos y su infraestructura para automatizar la ingestión y transformación de datos de productos y transacciones de múltiples fuentes en un marco de análisis estandarizado.
¿Cómo pueden las empresas de capital de riesgo aprovechar los buenos datos para adoptar un enfoque más personalizado al trabajar con startups?
Los datos detallados del producto que obtenemos de nuestras startups en cartera nos permiten comprender exactamente qué está sucediendo con cada empresa. Con esos datos a nuestro alcance, podemos ir más allá de nuestros paneles de control estándar y adentrarnos en los datos cuando sea necesario. Podemos tener conversaciones muy específicas con nuestros equipos de startups sobre lo que los datos indican y cómo proceder.
Dado que las alucinaciones son una de las desventajas más significativas de usar la IA generativa, ¿cómo deben abordar este problema las startups que dependen de los LLM?
Deben contratar a las personas adecuadas que sepan cómo seleccionar y curar datos de entrenamiento de alta calidad, ajustar y validar el modelo, y utilizar enfoques con intervención humana.
¿Cuál es su visión para el futuro de la IA y cómo invertirán las empresas de capital de riesgo en este espacio?
Deberíamos esperar ver avances exponenciales en las capacidades de IA en general, y en particular en modelos impulsados por transformadores, en un futuro previsible. Iremos más allá de hacer que los productos y procesos actuales sean más eficientes, y comenzaremos a aprender sobre nuevos productos y procesos que antes no eran posibles.
Gracias por la entrevista, los lectores que deseen obtener más información deben visitar TheVentureCity.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Una Bendición y un Monstruo Los Anunciantes Aceptan Cautelosamente la Inteligencia Artificial
- Un Inventario Anidado para la Seguridad del Software, Gestión del Riesgo en la Cadena de Suministro
- 11 Mejores Herramientas de IA para Solopreneurs (el Kit de Herramientas de IA Definitivo)
- AI Surge El CEO de Stability AI predice pérdidas de empleo para los desarrolladores indios en un plazo de 2 años
- Una guía para principiantes sobre Ingeniería de Datos
- Los investigadores de Google AI presentan HyperDreamBooth un enfoque de IA que genera de manera eficiente pesos personalizados a partir de una sola imagen de una persona, es más pequeño y 25 veces más rápido que DreamBooth.
- ¿Cómo conseguir empleos de Data Science en FAANG en 2023?