因果树(InnoTREE)股权投融资数据平台创始人
李姜元鸿
大家好，我今天分享的是跟大家有不同视角的一些点，正式跟大家讲明因果树在做什么事情。
首先我们来共同思考几个问题，比如说，我们看到北京这个城市和上海这个城市，包括一线的深圳和广州，我们从整个经济的方向来看，这些城市有什么样的区别？这是第一个问题。
第二个问题，如果说我们谈到在之前北京发展十大高精尖产业，如果你是北京市的市长，在发展这些产业的时候你做什么？这十大高精尖产业当中哪些是优先应该发展的，应该怎么做？和京津冀地区之间的一个区别和差异是什么样的？
第三个问题，我们在做一些有关于产业方面规划的过程当中，大家想一下，支撑产业的要素是哪些要素？如果说这些要素是我们日常所看到的大多数的这些企业或者是公司，遍布在全国范围内大概有三千多家的公司和企业，他们到底分布在哪些产业和行业里面？这是因果树正在解决的一系列问题。
比如说第一个，每一个城市在发展它的经济过程当中，一个经济好与坏，这个地区的区域经济发展的好与坏，事实是由这个地区的产业所构成的。我们在看现在经济发展核心要素和指标的时候，事实是它的支撑要素、它的产业发展的现状。一个地区所构成产业的要素又是这个地区所有的企业所具有的一些特性。我们如果把这些企业，包括单独的一个区域在发展这个产业过程当中，单由产业本身是不够的，还需要包括这产业到底多少和金融进行了结合。
刚才听到农业和其他的一些要素的工业，都和金融做了各种各样的结合，我们看一下资金链在全国分布的状态。当我们试图回答这些问题的时候，如果我们是一个投行，如果我们是天风证券，我们在研究上市公司的过程当中是非常容易的，因为上市公司的整个数据全部是公开数据，对于三千多万家的未上市公司他的数据从哪儿来，有哪些数据构成了分析的要素，这三千多家公司和全国6000多家投资机构，他们之间的关系是怎么样。
比如说当我们就想投车联网、工业互联网，但是到底全国有多少家类型的公司，有没有能通过天眼查、IT橘子去查到；想查一下现在全国做无人机的，全国有哪些公司，做地铁的盾构机有什么样的公司，能不能这样查？我们是查不到的，我们只能通过找个别的某一个公司，当我们想从产业的维度，产业到下面更细的标签维度定位到这个公司，以及定位到这个公司周边的各种各样的生态金融环境的时候，我们无法找到刚才这样的新问题，这正是因果树现在试图解决的一系列问题。
我们把产业放在中间，上层通过产业动态能够看到各个区块经济、城市地区甚至大的湾区核心大区块的联动区间之间的一些经济发展要素是如何的，我们构成了这样一张产业和全景的云地图，就像高德地图GPS是一样的，我们找到资产的逻辑，首先从产业渗透下去。所以今天跟大家分享，重点来说一下我们是如何构建这个地图的。
刚才秘书长提到了一个区域的发展，我们把创新当成了一个核心的要素，我们再看，现在事实上有投资价值的，因为我本人是做券商投行出身，更多的从金融切入口解决这个问题，我们更多的是要看未来有价值、被投企业的特性是什么。
比如说，现在我们说ofo、快播视频等等，这是互联网+企业具有的特性。还有另外一些企业，一些重工企业、制造业企业，人工智能、大数据等等新兴企业，他们叫做技术驱动型的企业，这两类型的企业找到它的逻辑是不同的，用户驱动型的企业在画像中看到类似于像订单、转化等等，我们在创新的动态数据看到它的技术路径图谱。互联网出行也好、无人驾驶汽车也好，这些技术驱动型公司在当中的情况，看到这些发展的创新动能，首先看一下产业驱动的方向是什么。
比如说北京，我们无法想象北京已经是一个86%由服务业构成的一个生态城市，它的三大服务业当中，商业服务业、科技服务业、生活服务业已经占到了整个北京的将近90%，它的重工业、它的农业已经不在这个城市是一个主导型的地位。所以它在产业上驱动的要素和上海这个城市，以及重工的山东省的若干城市是不同的。
另外，我们就要看到它资本的主力，钱都投向了哪里、走到了哪里，我们看到这些产业驱动核心企业变动要素的时候，最重要的点是在于企业是每天时时刻刻在运营指标上时刻发生动态变化的，我们必须要用数据智能的方法回答这个问题。
比如说，这是北京，123万家公司都分布在哪些产业和行业里边？就这一个问题是很难做的，我们说123万家公司集中在十大高精尖的有多少家呢？而这一项工作要做的最基础的核心工作是什么？
全国的3000万家公司以及北京地区的123万家公司必须先把这些公司标签打出来，不是简单的通过分类，分成了无人机也好还是重工一二三产的，包括国民经济指标统计，甚至像类似研究所所用到的二级分类，已经无法回答这个问题。
类似于腾讯、阿里、百度这样的大公司，身上背着一千多个标签，从生产类型、要素，到他所做的领域，我们用标签回答腾讯和阿里这样的公司谁的金融属性更强？如何回答这个问题？我们看标签体系里边、产业架构关系里边，子公司，包括产品体系有多少个这样的类型是属于金融属性的？有多少属于产品特性To C端服务属性的？可以通过这种产品和公司的标签体系来分化出两个公司的差异化。
那么到了更细的，我们看无人驾驶汽车，无人驾驶汽车的产业的态势里面，当北京想要做无人驾驶汽车你的要素通过剖析，就会很像到医院的时候投射一个X光片，做一个B超，才能够到医生那儿告诉你，应该吃什么药、应该怎么来治病。
所以这个透视的过程在技术的链条里面，第一点要做的将企业进行细节的标签化，进到不同的产业模块，不仅要进到大的产业里，还要进到产业的细分子模块，如果你做无人驾驶汽车传感器的，请问你是传感器当中的什么雷达？做液态还是固态的？到技术专利里面更细节的六到七级的标签体系子领域当中去。
我们说百度外卖、饿了么，为什么两家合并，在画像体系里面应该怎么看呢？如果当百度外卖和饿了么都是一百万用户的时候，我们用运营商画像得出来的，百度外卖他的用户大多数35块钱单价以上，白领35岁以上核心地区在一线城市的，饿了么同样100万客户，画像很可能类似于25岁以下的客单价在15块钱的，这种类型的客户，我们很简单的按金融估值来思考一个问题，都是100万客户的情况下谁会更值钱？一定是百度外卖。
按画像类别所画出来互联网用户驱动型的公司，单用户价值一定是35岁以上白领消费能力价值会更高，仅仅在用户价值属性上的一个剖析，当北京100万多家公司打造产业行业里面真正的高精尖产业在哪个细分区块，尤其当北京和京津冀地区要素进行诊断之后，产业和产业之间的相关度是什么样的？它们的互补属性如何？这样才可以看出这个产业的优胜劣汰和周边属性关系，最终解决右边四个问题。
城市定位、产业链的技术研究，最重要的可以解决当某个地区，全国的开发区，不说别的，全国开发区有2500多家，将近3000家，刚才提到工业制造业等等这些企业都集中在我们的开发区里面，我们问一个问题，这么多的开发区里面的产业要进行转型升级，我可以说吗？这么多的开发区转型升级的成功该代表着全国的产业转型升级成功，代表中国整个的产业升级成功。
当我们看到一个区块，一个开发区在进行招商引资的过程当中，怎么进行精准的定位？地方政府在未来金融产业发展和城市发展的时候，要进行精准的诊断，同时进行精准的招商。
我去过很多城市，在看到有一些，包括投资人在演讲的时候会提到，各个地区都希望把IDG红杉，非常知名的排名在前30大的经纬中国，类似于这样的企业挖掘过去。如果我是一个山东做高端装备制造的，我想问，高端装备制造里面的产业链IDG和红杉是不是投得最多的？如果做广西柳州做整车制造的，谁是投得最好的？未必是排在前30位产业链里面最靠前的投资机构，在城市定位的基础上做精准的招商，包括做产业升级的时候都需要用这样的产业一张地图看清楚这个地区发展的各个态势和要素。
在全球产业链的技术路径图谱里面去看，比如说，拿其中某一项来举一个例子，当我们想要国内说发展智慧交通的时候，我们的芯片是做得很弱的，我们在给雄安做第一步分析的时候，本来是说雄安想要去做在智慧交通出行当中的芯片，我们发现如果只引进国内的芯片这类公司，我找不到非常好的标的公司，但凡我们遇到的公交卡也好、各种各样的手机NFC的支付卡，各种类型的卡。我们看到芯片的企业都集中在全球的一些非常大的国外公司很多，国内的芯片相对来说是很弱的。
如果说想把这样的能力引进到北京或者引进到周边雄安的时候，必须在技术链条全球图谱产业链条里面找到谁弱谁强，英国、美国、日本在这个领域是怎么做的，谁会更强，并且找到定位这类型的公司在谁的手里和哪个公司的手里，这是其中的一步。
当下面我们再看一个地区的产业发展健康状态的时候，我们的分析是从自下而上的来看，一个是产业的模块化的精读，并且找到模块里面都有哪些公司，并且建立本地区域化的评估和架构模型，中间有数据的模块聚合在一起。在这儿跟大家解释一句，数据和数据在未来的过程当中，我单独知道工商拿到了工商数据，我们知道是一个大数据公司都说有各个方面的数据，专利的数据，拿到了各行各业的数据，可是真正的数据价值不在于数据的单个的多少。
有人说，好，贵阳还是其他的地区很厉害，把所有的数据都向我开放了，形成了一个数据库，有用吗？没用，大多数是分行业的分化的一个条块化的数据。而数据真正的价值在于，要将数据的主体和主体之间的关系找到，比如说，产品和产品之间，公司和公司之间，公司和产品之间，包括公司和投资机构之间，以及投资机构和投资机构之间。
国家都有科技基金，在做地方科技型转化平台的时候，国家这些基金给到哪些政府的引导基金？怎么来筛选？什么逻辑来筛选？最关键的将中间的专利和企业，各类型的数据建立他们之间数据的联系，这才是数据Smart这个阶段可以完成的两项重要工作，就是洞察和匹配，最终所解决的问题是洞察匹配出企业的投融资关系以及到微观的某一个上市公司应该并购哪些未上市公司，都是按照产业链的图谱关系往下进行的，或者通过用户画像的关系。
所以在这样的关联下，我们可以解决右边这样几个问题，比如说地区型行业政策如何来制定？包括资本应该如何引进，以及产业升级所结合到资本和政策的一些趋势的动态变化。这里举了非常细的例子，大家根本看不清楚，条块所圈出来的三点，整个产业链条只是拿互联网出行举了一个例子，上层的互联网出行包含了芯片、半导体、供应商一直到最后线下供应的渠道。
我们在分析完了某一个区块的时候，把各种增长因素进行交叉分析之后，这是建立图谱化所分析出来的交叉结果，最后得出来这是给雄安做的，建议它在涉及一些集成制造商，在整车制造，要和北京在这三大区块上形成差异化。那可以在哪方面进行的？比如说芯片半导体，能不能在整个京津冀地区把芯片半导体和这个区块形成差异化的一些产业导入和引进，这是通过一些数据的增长模型。
这张图是如果在给一个地区做完了诊断，综合诊断之后会给出这样的一张表，这个表是简单的只拿它举了一个例子，右边是主要的投资人，左边是企业名录，最终给到这个区块在招商引资的时候，请你在芯片、半导体的时候先以这些公司为主导，这里面可能二三十家公司，想要前五十家、一百家公司都可以找到。北京招商不可能跑到广州去，我要看周边的区块有哪些容易被我招进来的企业目录。
所以按照这种不同的方式，最后给出企业和右边主要投芯片、半导体，各个产业模块的这些公司都包括谁。甚至细节到统计口径的不同，这些公司分别在互联网出行的一个产业，拿一个产业举一个例子，都投了多少个标的和资产。比如说，红杉的确在系统集成商投了八笔，这是比较大的一些投资机构的投资统计。所以说我们现在所做的一些事情，核心是围绕着产业链这么一个最大的核心点，围绕专利、产业链和产业链之间的相关性系数的分析，人员分布和细分赛道的增长综合化因子的剖析，都是围绕着产业链这一核心要素来进行的。
下面是我们的一些资质。
这个部分用下一个图跟大家说一下是因果树和其他大数据公司都是一样的，基本上所有的大数据公司都是分四层，底层数据源，中间做了哪些数据分析，在上层产品层，相对来说比较简单，但是最核心的是将底层核心几大数据源在中间进行了标签化，以及知识图谱化的处理。
我们知道，在分析不同的产业，每个产业的知识图谱的要素是不同的。在分析互联网出行跟看新材料和新能源，每个产业链都是有它独立的知识图谱的模型，所谓的大数据和数据智能的一个结合架构，第一步肯定是要人先在不同的专业产业链里面去做定义，然后在定义和标准范围的基础上再通过所谓的人工智能和智能的方法，进行在大样本当中的一个训练和交流。所以这个过程，这是因果树最核心做的一件事情。
这是简单的路径，我们在做这个项目。下面给大家简单分析一下，我们在做一些区块的时候，这是我们给KPMG、毕马威做的一个其中项目案例，金融科技的排行，这是我们用机器的智能方式给他做的金融科技行业排行。这个案例是我们做的车，整个给毕马威做的行业板块分析和排行，按照不同的子板块将其中的好产业，在各个范围内、各个产业链范围内帮他筛选出来。这是在车上，当时在剖析，给投行在全球范围内找好的投资标的时候，一个其中的案例。
左边可以给大家简单介绍一下，无人驾驶汽车的核心七大子板块里面，我们看到都是一些全球非常大的公司，被圈出来的这家公司叫mobileye，这家公司还没有被特斯拉投资，你通过左边的图能看到的内容是在无人驾驶汽车的七大产业链里面，全部都是全球垄断型的大公司，唯独有一家公司占据了三大产业链，从倒数第二个到平台的算法以及到摄像头，这家以色列的技术公司都涉猎到了三个技术图谱路径，我们筛选出来的时候看到这家公司的价值。
这个事情已经过去了，可以说，我们在2015年年初的时候，在看无人驾驶汽车的时候，我记得那个时候乐视还没有开发布会，我们通过这个技术图谱看到乐视123家公司，没有任何一个专利的技术是归属于乐视的，当看到那个路径图谱的时候，我们得出来的结论乐视做无人驾驶汽车绝无可能。
右边这幅图，同样可以用这个数据可以告诉大家，国内某大型的公司也仍然在提到做无人驾驶汽车，我们可以看一个数据，倒数第二排的算法493项专利，最后一项地图的谷歌是多少，5792项，也就是说光看地图这一项专利在全球布局的点。
有一个事情不知道可不可以说？滴滴在近一年半的时间里，偷偷的大概收了有将近500项有关于无人驾驶的专利和技术，也就是说通过这样技术路径图谱分析，这是我们和国家知识产权局联合来做的，在子板块里的一些项目。大家知道，投资的一级市场的钱进到整个市场的速度先于市场的大众，二级市场早三到五年，技术上面的投入和研发的时间会先于一级市场的VC、PE三到五年。
当我们看到路径技术图谱的时候，再给大家看一个例子，倒数第四项现在算法的专利是493项，谷歌现在是5794项，再往上看，博士是2800多项，高于600项以上的专利技术公司比比皆是。所以在做无人驾驶汽车当中，最核心的算法平台HMI交互平台甚至包括地图，如果没有这个专利技术在，未来你光靠引入别人的技术和专利技术引入使用的费用，这样的一个使用费用，没有办法看未来整车的价值，包括没有这样的图谱也会在分析，类似于像前段时间非常火的未来汽车，未来汽车卖多少钱？电池汽车的技术拥有的是哪一项，换电池本身的采购还是你自己拥有这项技术，这仅仅举无人驾驶汽车一个例子。
我们看不管无人机行业还是看3D打印行业，智能的各种各样所谓技术驱动型行业，都要在全球的路径图谱里面找到未来发展动能的核心动力，就跟看医药行业，我要去看你要到底拿到多少仿制药的专利，拿到各种资质，技术路径图谱里必然到三到五年前去看，这样的研发和能力带来的东西解决不了企业，在未来路径图谱里面的一些短板。
这是一个案例，所有未上市公司的评价评估体系，在这个评价评估体系之上，我们看一个公司可能会涉及到300多个要素，核心现在在覆盖的产业链有将近20个大型的产业链，其中做一些产业链的研究，资本的一二级市场，包括沈局刚刚在发言的时候如何给北京市和上市公司找到潜在的并购标的，通过这样的图谱分析来做的。我们给深交所推出未上市公司创新的指数，我们把未上市公司分化到不同的产业里找到能够入样本的一千家公司在哪里，恰恰这些公司是未来上市公司非常好的并购标的池。
这个链接逻辑相对来说比较复杂一些，比如说，当我们看华兴资本这家公司的时候，包凡自己非常清楚的了解华兴到底是什么样的公司，我们通过这样的数据库把华兴拥有多少个子基金，子基金下面拥有多少个合伙企业，以及包凡本人还是包凡他爸爸来持有的下面这些公司，是个人的还是有限合伙企业的，大概投了哪些标的资产公司，这些标的资产公司有没有子公司、子公司的产品线是谁，将投资关系、参控关系、产品架构关系、公司的三层组织关系都到一个非常复杂的图里面。
这个图得出来的结论，为什么当两个投资机构都选择你的时候，你要选择A，而不选择B，同时是可以回答，作为一个母基金选择这子基金的时候，子基金为什么选择A，而不选择B，原因在于曾经所投的某个科技类型的企业的数量已经到今天的估值水平和企业的整体态势状态发展良好，这都是在图数据里面根据一些数据逻辑关系可以找到援引的结论。所以帮助科技部解决两个问题，引导基金的选择以及投后管理整个项目的状态。
最后介绍一个案例，北京市科委两到三年的时间给他们做一件事情，在全国科技创新大赛，我们做唯一的机器人评委，这个项目到底怎么样，BP提供上来，各种信息提供上来，不需要那么多的专家思维进行定性的分析，直接通过这个逻辑做一个数据性的整体筛选。第二件事情，现在北京市的高新技术企业的筛选是我们用机器来完成的。第三件事情，整个众创空间的评比，也是我们用机器来进行评比的。
在这个基础上，我们还做了大概有比较重要的两件事情，第一个是给发改委做了如何用大数据做地方的产业规划，第二个是现在北京十大高精尖产业的分析，我们的数据库来进行动态的剖析。所以这些事情基本上是围绕着我们的产业数字云地图来展开进行的。
时间有限，跟大家分享到这儿。感谢大家！
郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
