Добирати жорстко, відрізати зайве. Чого венчурна студія Pawa навчилася у поїздці в Долину
Будь-яку статтю можна зберегти в закладки на сайті, щоб прочитати її пізніше.
Режим читання збільшує текст, прибирає все зайве зі сторінки та дає можливість зосередитися на матеріалі. Тут ви можете вимкнути його в будь-який момент.
Партнери з Reface Кирило Сигида, Сергій Токарев і Ден Дмитренко заснували венчурну студію Machine Learning-стартапів (далі — ML) Pawa. Зібравши в ході розвитку Reface спільноту розробників, вони побачили великий ринок, де можна ставити ML-завдання. Цього літа вони поїхали в Кремнієву Долину, щоби зрозуміти, як працюють американські компанії зі схожою моделлю.
У своїй колонці для Vector Кирило Сигида розповідає, як поїздка в США вплинула на їхнє бачення майбутнього ML-продуктів і розуміння специфіки роботи венчурних студій.
When Content is King, Data is Queen
Венчурна студія Pawa — це контейнер для генерації ML-стартапів. Ми перетворюємо ідею, пов’язану з машинним навчанням, у кінцевий продукт або рішення для великих корпорацій. Pawa працює з гіпотезами, які представлені у вигляді математичної задачі. Вони з’являються тільки з доступу до даних, які ми можемо обробити.
На конференціях говорять про технологічні обмеження ML-алгоритмів. Але правда в тому, що алгоритми обмежено не продуктивністю процесорів, а наявністю або браком даних. Це одночасно і вузьке горлечко індустрії, і головний драйвер для нових ідей.
Навіщо ми поїхали в Долину
Ми робили Reface віддалено, без поїздок в інші країни. На той момент це було правильним рішенням, тому що чимало розумних людей відмовляли б нас робити ще один соціальний продукт. Якщо у вас є чітке бачення, краще нікуди не їхати, а сфокусовано працювати на місці.
Цього разу ми хотіли протестувати гіпотези про роботу Pawa, знайти нові й повчитися на досвіді американських венчурних студій. СЕО Pawa Анна Шувалова нещодавно закінчила навчання в Стенфорді. Це відкрило нам доступ до великої кількості людей у Кремнієвій Долині.
Час на незнайомців
Один із міфів про Долину — вона об’єднує людей. Всупереч помилкам, це не комуна, сусіди там часто не знають один одного, тим більше під час пандемії. Але Долина унікальна підходом місцевих жителів до своєї експертизи: вони не тримають її в сейфі під замком.
Стенфорд привчив людей ділитися досвідом. У них записано, скільки годин на тиждень вони повинні присвятити малознайомим людям. Деякі наші співрозмовники приходили на зустрічі з бажанням «відстрілятися швидше», але в процесі їм ставало цікаво вести діалог.
У цій поїздці ми приїжджали до керівників фондами на $200–300 млн, вони зустрічали нас із двомісячною дитиною на руках у домашньому одязі й готові були говорити.
Багато хто їде в Долину за грошима, але ми приїхали з капіталом, і це підносило нас в очах співрозмовників. Ми вже зібрали в Україні $20 млн інвестицій на роботу студії, нас цікавив тільки досвід.
Венчурна студія — не венчурний фонд
Відповідно до закону Парето, 20% вашого інвестиційного портфеля принесе 80% прибутку. На жаль, у нашому випадку це не працює, бо Pawa повинна не тільки провалідувати гіпотези й запустити продукти, а й заробити гроші для своїх інвесторів. Наша мінімальна мета — отримати мінімум 40% успішних гіпотез, а краще 60%. Як домогтися такої конверсії?
Попередній добір
Ми приїхали в Корнельский університет у Нью-Йорку. Він набирає лише тих студентів, які планують запускати свій бізнес. У цьому університеті одним навчанням не збудешся — ти зобов’язаний створити продукт. Серед студентських проєктів — 60% успішних і 40% провалів.
За словами представників університету, секрет у попередньому доборі учнів. Кандидат проходить 10 співбесід, щоб інтерв’юери могли переконатися в його умінні будувати компанії, а не просто працювати з теорією. Чим жорсткіше добір, тим більша ймовірність успіху. Ми хочемо перенести цей досвід на усі команди нашої студії.
З жорстким добором повинні стикатися не тільки співробітники, але і ідеї.
Один із наших співрозмовників у Долині був фанатом баскетбольної ліги NBA і в наступному своєму продукті планує вважати математику всіх подій на ігровому майданчику. Нам така гіпотеза не підходить, бо в ній немає заробітку і відповідно користі для наших інвесторів.
Для Pawa більше підходить ідея, про яку нам розповіли брати Лібермани. В одному американському місті влада передала венчурній студії дані локальної електромережі. ML-інженери збудували модель, яка дала змогу місту заощадити $300 млн. Розробники одержали 5% від цієї суми. З цього можна побудувати продукт, але в цієї ідеї є застосування в реальному секторі економіки.
Відмінності в структурі
Наступна складність венчурних студій — структурування угод. Венчурна студія відрізняється від фондів структурою володіння капіталом. Типовий фонд бере участь у розвитку компанії грошима і допомагає з її стратегічним розвитком через раду директорів.
На відміну від такого підходу, студія активно бере участь у кожному етапі розвитку компанії — від початкового пошуку та тестування ідеї до побудови команди й виведення продукту на ринок. Тому студія зазвичай забирає майже половину частки в стартапі.
Постає питання — яку частку потрібно залишати команді стартапу, щоби не втратити її мотивацію, водночас зберігши прибутковість для інвесторів усій студії. Цей параметр дуже складно оцінити. Ми віримо в те, що ми можемо зробити його плаваючим, і міняти залежно від проєкту й залучення команди.
Відрізати зайве
Термін відмови від ідеї — наступна проблема, за рішенням якої ми поїхали в США. З досвіду інших студій ми зрозуміли, що на валідацію однієї гіпотези потрібно три місяці, а середній чек на таку перевірку становить $300 000. Водночас працювати над однією проблемою мають три-чотири людини, адже натовп математиків в одній кімнаті — не найефективніша модель.
Відрізати гіпотези, що не працюють, боляче, але в цьому й полягає наша робота.
Коли ми вибираємо математичну гіпотезу, над якою працюватимемо, ми оцінюємо три чинники:
- Чи є в нас доступ до даних, які можна використовувати для її тестування?
- Чи можемо ми побудувати модель на цих даних?
- Чи буде ця модель може бути застосована на практиці в комерційному секторі?
Як поїздка вплинула на плани
Амбітна мета Pawa — знайти 10 проєктів, які дадуть результат протягом трьох років. Такий короткий термін обумовлений тим, що світ стає швидше і жорсткіше. Після Долини я розумію, що досягти нашої мети в такі терміни можна тільки в Україні.
Ми боремося з фразою: «Як ви себе бачите через п’ять років?». Я чесно відповім, що не знаю, і в цьому немає нічого поганого, адже індустрія змінюється занадто швидко, щоб прогнозувати на п’ять років вперед.
У Pawa ми робимо ставку на те, що ML стане обов’язковою частиною будь-якого бізнесу. Ми обрали сфери, з яких ми хочемо взяти гіпотези й зробити їх своєю доменною експертизою.
- Геймінг. У нас є доступ до великої кількості гравців і платформ, тому ми можемо швидко тестувати багато гіпотез. Тут також присутня застосовність, про яку я говорив раніше. Ігри мають бути розумними: гравець відчуває, коли вони поводяться як людина, і заводиться, коли його обіграють.
- Охорона здоров’я. Ця сфера зростає щороку, але це залежить саме від відкриття доступу до даних від лікарів.
- Розумний особистий помічник, адже служби підтримки кожної компанії прагнуть стати більш індивідуальними. У далекій перспективі можна уявити й персонального асистента, який разом із тобою йде по твоєму кар’єрному шляху.
