研究內容怎麼變成企業工作流：CB Insights 的資料產品化

TL;DRCB Insights 用免費電子報展示資料能力，再把市場訊號加工成可搜尋資料、Mosaic 評分與 CRM／API 工作流。企業付費買的不是更多文章，而是更快排出研究順序。

🌏 English version

想像一間超市每天在門口提供試吃。試吃讓路人知道廚師會不會做菜。真正讓餐廳持續付錢的，是後面的中央廚房：有人挑食材、清洗、分裝、貼標籤，還能準時送進餐廳的冰箱。

CB Insights 的電子報與公開研究就是試吃。它用圖表、產業地圖與市場觀察，讓讀者先看到它怎麼整理科技公司與投資市場。付費產品則像中央廚房，把公司、融資、併購、客戶關係與管理團隊等訊號整理成可以搜尋、比較和持續追蹤的資料。

因此，這門生意不是「免費文章看一半，付錢解鎖全文」。企業真正購買的是一條比較短的決策路徑：先找出可能的合作對象、投資標的或競爭者，再決定哪幾家值得投入分析師時間。研究內容負責吸引注意；資料、評分與工作流則可能提高續約黏性。

免費研究先證明：這座資料工廠有用

一般內容公司先決定要寫什麼，再為那篇文章找資料。CB Insights 可以反過來做：先持續收集公司與交易資料，再從同一座資料庫切出電子報、圖表與研究報告。公開內容不只是行銷文案，也是付費產品的樣品。

這個差別很重要。讀者若只喜歡某篇趨勢文章，未必會訂閱企業軟體。企業團隊每天面對的，則是「哪些新公司值得談」「競爭者最近跟誰合作」「這個市場正在加速還是降溫」。這些問題需要可反覆查詢的資料，不能每次都重新搜尋新聞。

產品化的動作，是把文章背後的研究材料拆成可重複使用的物件：公司、人物、交易、關係、市場、分數。文章是否放進付費牆反而是次要問題。這些物件能被排序、組成名單、放進監控清單，也能送進其他軟體。

flowchart TD
    A[公開市場訊號] --> B[清洗與驗證]
    B --> C[免費電子報與研究]
    C --> D[讀者看見資料能力]
    B --> E[結構化公司資料]
    E --> F[Mosaic 與搜尋]
    F --> G[盡調與選案]
    G --> H[CRM、API、內部模型]
    H --> I[持續監控／潛在更換成本]

這張圖有兩個出口。免費研究把能力展示給市場；付費資料則一路進入決策。從公開產品設計來看，兩邊可以由同一套資料能力支撐；這是本文的商業模式推論，不是對 CB Insights 內部系統的描述。收入因此不必綁在文章數量上。

第一步：把零碎消息變成可查詢資料

私人公司情報最麻煩的地方，是資訊散落在不同格式。融資可能出現在監管申報、投資人網站、公司新聞稿或地方媒體；同一輪交易還可能被多篇文章用不同幣別與公司名稱重複報導。搜尋得到，不代表能直接比較。

CB Insights 在資料蒐集方法說明中公開過一套名為 The Cruncher 的歷史流程。系統先判斷文章談的是融資、併購、招募還是合作，再辨認公司、人名、日期與金額。接著抽取彼此關係、合併重複事件，最後交給分析師核准。那篇說明中的自動化與直接提交比例屬於早期快照，不能當成 2026 年現況；值得保留的是「機器先分揀，人再驗貨」的設計。

現行的 API 資料說明仍採相同分工。自動檢查與機器學習先找出異常，資料分析師再用多個公開來源交叉核對，研究團隊則審查 AI 產出的洞察。只靠人工，更新速度跟不上；只靠機器，同名公司、舊交易與錯誤金額又可能一起混進資料庫。

整理完成後，一則新聞不再只是文字。它會成為某家公司的一輪融資、某位投資人的一筆關係，或某個市場的一次活動。這就是內容變成資料產品的第一步：把只能閱讀的段落，改造成可以篩選與運算的欄位。

第二步：用 Mosaic 決定先看誰

資料庫解決「能查到哪些公司」，Mosaic接著回答「分析師今天先看哪幾家」。它把私人公司的多種訊號壓成 0 到 1,000 的健康分數，讓投資、企業策略與業務團隊先縮小候選名單。

依 CB Insights 自行發布的 Mosaic 白皮書，現行分數主要由成長動能、財務強度、產業健康與管理團隊四個面向組成。公司用 2023 年的分數回看之後兩年的結果，宣稱最高分的 30 家公司成為獨角獸的命中率，是受比較創投中位數的 4.7 倍。

這個數字可以說明排序器可能有用，卻不能寫成「演算法已經證明比創投會投資」。研究由 CB Insights 自己設計、執行與發布，沒有獨立重現；它追蹤的是公司是否在兩年內達到十億美元估值，不是基金報酬。創投還受投資階段、持股比例、可取得交易與基金策略限制，Mosaic 排名則不用真的投入資金。

更合適的用法是分流。假設團隊找到五百家公司，不要讓分析師平均研究五百家；先用產業、地區與成長訊號縮成一小批，再逐家做盡職調查。Mosaic 像機場的安檢分流，不是法官判決。它能指出哪一排應該先查，不能替團隊決定最後要不要投資、合作或收購。

資料缺口也會影響分數。低調經營、媒體曝光少，或位於公開資料較稀疏市場的公司，可能留下較少「數位足跡」。白皮書也說明，某項指標缺資料時，權重會重新分配給其他可用指標；因此兩個相同分數背後的證據組成未必相同。一個看起來精準的分數，仍可能把資料可見度誤認成企業品質。

第三步：不要叫使用者一直回來看網站

情報工具若只能在自己的網站上使用，價值會停在「查完再抄回去」。真正的工作流產品，會把結果送進團隊本來就在用的地方。

CB Insights 的 Salesforce 整合可以把公司、投資人與交易資料加入客戶關係管理系統。團隊也能用融資、客戶、合作夥伴、競爭者與公司動能來建立名單。Affinity 整合則能依新融資、客戶公告或重要招募等事件建立公司檔案，省下重複輸入。

它也透過 API 與資料供應，讓企業把分數與關係資料放進內部模型。這類整合可能提高續約黏性：若 CRM、監控清單與研究流程開始依賴 CB Insights 的欄位，更換供應商時，除了帳號，還要處理欄位對應、名單、觸發條件與歷史脈絡。

產品層	使用者拿到什麼	解決的工作	最主要的限制
電子報與公開研究	市場解讀、圖表、案例	發現變化、理解議題	容易被轉述與 AI 摘要
結構化資料	公司、交易、人物、商業關係	搜尋、比較、建立名單	私人公司資料必然不完整
Mosaic 等評分	候選公司的相對順序	分配研究與業務時間	分數不是盡職調查或投資報酬
CRM／API 整合	可匯入、觸發、持續更新的欄位	把情報放進日常決策	導入與更換供應商都有成本

目前官方定價頁沒有公開固定美元價格，主要引導企業詢價；資料方案則標示為依用量計費。網路上的估價不能替代實際報價，因此無法可靠比較「每一席多少錢」。能確定的是，它把 onboarding、資料移轉、企業安全與專責顧問一起放進方案，顯示這不是面向個人的低摩擦自助訂閱。

AI 讓入口更快，也讓表層內容更容易被取代

ChatCBI 把自然語言問答放在自家資料庫前面。使用者可以要求找公司、拆市場、準備併購分析或建立監控清單，不必先熟悉每一個篩選欄位。官方也提供 API，讓企業內部 AI 使用同一批公司與市場資料。

這對 CB Insights 同時是機會與威脅。機會是，生成式 AI 把資料庫變得更容易問，能更快產出第一版名單與 memo。威脅是，公開新聞摘要與一般趨勢整理也會變得更便宜；如果產品只把網路文章換句話說，通用模型就能吃掉大部分價值。

真正的分界在答案背後。專有歷史資料、清洗後的公司關係、團隊監控清單與 CRM 整合，不會因為聊天介面出現就自動消失；反而能成為 AI 的上下文。可是 AI 也會犯錯，CB Insights 的 API 文件同樣提醒生成式回答可能出錯。來源連結、原始欄位與人工覆核仍然必要。

歷史資料為什麼比昨天的文章更難複製

即時新聞可以被更多模型快速讀取，長時間序列卻需要多年累積。2020 年，CB Insights 從 Dow Jones 收購 VentureSource 的資料資產。依 Business Insider 的報導，這批資料可追溯到 1983 年，還包含私人公司的管理人員與專業服務關係；交易金額沒有公開。

對資料公司來說，這像替今天的快照補上一整段影片。團隊不只知道某家公司現在得到多少資金，還能比較不同週期、產業與公司階段。歷史資料也讓評分模型有過去樣本可測試。文章會隨新聞週期變舊，整理過的歷史欄位則可能繼續支撐查詢、比較與模型。

公司資本史也反映這條路。2015 年，CB Insights 宣布取得 1,000 萬美元 Series A；Reuters當時報導，這是公司的第一筆機構投資，資金將用於團隊與核心資料產品。這裡也不把未經財報驗證的營收預測寫成已實現成果。

這套模式的護城河與破口

CB Insights 的護城河不是某一篇熱門報告，也不是單一 AI 功能。比較難複製的是整條鏈：歷史資料、公司辨識與去重、人工驗證、專有衍生分數，再加上客戶已經接好的 CRM、API 與監控清單。每一層單獨看都可能被追上；疊在一起，則可能形成更高的更換成本。

破口也來自同一條鏈。私人公司不公開完整資料，底層欄位一定有缺漏。模型可能放大可見性偏誤，AI 也會讓錯誤答案看起來更流暢。企業若沒有分析能力，可能買了大量資料卻不知道該問什麼。專責導入服務能降低摩擦，也反過來說明產品並非買來就會自己產生決策。

內容生意可以換一個問題：研究過程中有哪些東西能保存成欄位、持續更新，並直接進入讀者下一個動作？

今晚就把最近十篇文章攤開，找出反覆出現的公司、事件、價格與關係，先做一張可篩選的表。若那張表會隨新資料變得更有用，內容才開始往資料產品走。再多寫一篇付費報告，不會自動帶來這個效果。

CB Insights 展示的終點，是讓研究成果真的能被軟體使用。把內容寫得像軟體沒有用。免費內容證明它看得懂市場；當那些判斷進入每天的工作流，也就多了一個讓企業續約的理由。