• 大数据
    榜眼获100万人民币种子融资,用机器学习+大数据挖掘为学生打造安全精准的求职平台   今日,榜眼CEO董志成向记者独家透露,已于2016年底获个人种子轮投资100万。投资方为上海知名投资人,曾经投过纽约大董餐饮(米其林三星)等明星企业。本轮资金主要用于产品开发团队的扩充和校园合作协议的签订。 古时第一名称状元,第二三名都称为榜眼,意为立状元左右,如其两眼。董志成说,取名榜眼,既有金榜题名之意,又有自谦之心。榜眼是一个高校大数据及人力资源应用平台,于2016年底上线,希望解决中小企业及学生在招聘和求职中的问题。 董志成介绍到,互联网招聘的市场在几十个亿左右,但是猎头市场却是千亿级的。我们开发的是高校人力资源市场,建立人才数据库,帮助选择和定位人才。榜眼分为学生版和企业版,开发的千人千变功能会向学生推荐适合职位,向企业推荐适合人才。目前,注册企业有11276家,官方认证人才有50892人。   “要实现真正的精准匹配,就要实现对简历进行文本解析,能够利用大数据精准处理用户适合的行业、职位、技能标签,通过算法实现人才和职位的精准匹配。”董志成说,现在榜眼的数据库还不够大,希望数据达到百万级后,能够基于学生的数据来提供更多服务。 “我们和学校签订了一个数据通道的协议,经过学生本人授权,认证学生身份后即可将学校内的数据一键导入。”目前,已和浙江省内43所大学签署独家数据库合作协议。榜眼也为校方开放了一个后台SaaS系统,能够实时监控学生的求职动态。数据导入成功之后,榜眼会向学生提供匹配行业职位的平均薪资和职位缺口。 另外,榜眼参考国际知名的职业能力测试题研发了两套Hexagon职业倾向测试题和职业性格测试题,有助于学生进行自我职业认知。“学生在找工作的时候大多数是迷茫的,我希望榜眼的这些数据能够给他们一点建议和帮助。” 提到对招聘企业的选择,董志成说:企业入驻不是自主注册,而是通过双重认证。第一重是与学校的就业处合作引流。学校会审核企业的营业执照等资料,验证成功之后,才能进入榜眼系统。接着我们会通过天眼查、企查查这些第三方平台,对企业资质做一个详细的审查。如果有不良记录,该企业将不能入驻平台。 今年9月,榜眼线上线下将都会有新功能推出。线下,榜眼将推出校招2.0版本的“招贤榜”,现场将分为展示区和面试区,学生可以直接通过扫二维码投递简历,在app上进行电话面试和视频面试。目前,已和300家企业达成合作,将在杭州的三个大学城举办活动。 线下,榜眼将在9月推出社交类功能“人脉”。用户可以直接在app上加同专业的师哥师姐或是同专业不同学校的同学为好友,共同来分享经验和资源。“因为招聘是非频发需求,推出这一功能的主要原因是为了激发活跃用户量,能够增强我们的用户粘性。” 团队创始人董志成是英国帝国理工大学市场战略专业硕士,曾任英国汇丰银行项目分析师,回国后担任米高蒲志中国高级分析师,熟悉人力资源行业核心竞争力及运作模式。COO王珏是纽约大学斯特恩商学院学士,曾供职于纽约Sumi Trust Bank,回国后负责某新能源汽车海外业务的市场拓展。CTO向泽平是西安理工大学NIIT软件专业学士,拥有十年互联网开发经验,曾参与“相格”、“美丽光影”等项目。公司大数据首席科学家顾问郭毅可,是英国帝国理工学院终身教授、数据科学研究所所长,负责为“榜眼”建立大数据及人工智能模型,挖掘及匹配各项数据信息并作商业化导流及应用。 据悉,榜眼正在寻求天使轮融资,预计出让10%的股份来换取500万元人民币投资。 【猎云网(微信:ilieyun)武汉】8月23日报道(文/钱佳信)
    大数据
    2017年08月25日
  • 大数据
    71%的销售线索被浪费?云客想用AI和大数据解决获客难题 自从Salesforce、Workday等SaaS企业在美国先后崛起,打破传统软件市场格局以后,SaaS创业在国内外逐渐风靡。根据Synergy的最新报告,2016年企业SaaS市场同比增长32%,第四季度收入达到130亿美元。IDC预计,到2020年云服务市场将达到1561亿美元。 快速增长的SaaS市场吸引众多玩家入局,尤其在CRM这条赛道上,国内已经跑出了几家头部企业,并且很多SaaS厂商发布智能CRM,推动销售管理流程智能化。但后入场的云客创始人艾云鹤认为,在销售SaaS领域还有创业机遇:“目前的CRM以回忆录的方式记录客户数据,是以提升管理效率的方式倒逼业绩;另一方面当前的智能CRM主要在销售管理流程上下功夫,而我们认为智能销售平台是将销售前置,侧重点在如何更智能地获取销售线索上。” 在创业前,艾云鹤历任某SaaS公司的销售和产品总监。所以他的实际经验总结是销售流程管理并非不重要,但是很多企业的生存需求大于发展需求,更难以解决的是销售线索获取,也即如何获客。而在如何获客上,艾云鹤认为国内厂商普遍存在以下3个难题: 第一、获取销售线索难 目前很多商务销售的KPI考核中都有搜集名片数量一项考核,其实最终目的是积累客户资源、获取销售线索,这是比较繁琐和低效的获客方式。所以云客一开始的产品是效仿美国Data.com(现被Salesforce收购)的名片共享平台,但运营一段时候后,艾云鹤发现这是低频、难以盈利的项目。 2016年EverString进入国内并在北京成立办事处 。EverString利用AI和大数据帮助企业做客户画像挖掘潜客,它第一个客户是微软。但EverString在国内发展的并不顺利,当时面临企业转型的艾云鹤认为,EverString挖掘潜客这个方向是对的,失败的原因是美国有健壮和强大的数据库,而在国内除了大型企业,很多企业没有足够的数据,所以这款产品的冷启动过程很艰难。 看到机遇的云客决定效仿EverString转型,但EverString走过的坑如何避免?此时云客的联合创始人,计算神经学博士,曾在Quora、HULU、微软Bing等团队负责过机器学习相关研发的奇峰发挥了重要作用。云客利用自主研发的分布式爬虫全网集企业的公开信息,包括工商资料、投资关系、网络新闻等信息;然后主动挖掘、筛选、补全企业信息建立大数据储备。接着利用机器学习模块对企业销售行为进行分析,并自动建立量化目标客户模型,形成企业相似度对比模型;最后利用自主研发的推荐引擎给予企业及销售推荐客户线索。云客认为在中国,找企业要数据,不如给企业数据,以观察他们的选择。这样可以初步弥补EverString缺乏数据源进行冷启动的问题。 第二、大量线索被浪费 根据哈佛商业评论的一项调查显示,在营销行业里,71% 的有效线索没有被及时跟进,其中被跟进的销售线索,平均每一个只得到了1.3次接触。艾云鹤介绍,在一次完整销售的过程中,需要通过电话、邮件、短信等方式多次沟通,这样最终销售漏斗才能剩下更多有用信息。 云客帮助企业从海量数据中挖掘出潜在的销售机会后,会以程序化的方式对销售线索管理。比如智能推荐客户和寻找附近客户,产品可以直接推荐潜在客户;对于已进行陌拜、二次回访的客户分类管理,并且电销人员可以添加备注或者跟进时间轴,云客提供比较细致的销售线索管理。最后通过轻量级的CRM系统确认意向,解决中小企业最亟待解决的找客户、确认意向的难题。 第三、无法最大化利用销售管理工具 当前企业客户数据都要录入CRM,但艾云鹤不认为这些数据可以产生多大效果:“比如一个销售在CRM中写道与客户谈判进展,但是他成单的可能是近期突然加上的一个客户。”另一方面企业要求销售员工一天打很多电话,但企业主其实需要的不是多少个电话,而是带来多少有效销售线索。 所以云客比较特殊的地方在于提供人+平台的模式,即企业购买的包括云客派遣的人力服务和SaaS服务。艾云鹤解释如此部署的逻辑是,其实企业更多的是愿意享受结果,这样做企业是否购买云客的决策心里就由采购SaaS变成了采购服务。“我一直认为百度是最厉害的SaaS公司,52万家企业一年贡献数百亿元推广费用 ,大家都认为买的是推广服务,其实百度给我们的只是一个产品,甚至为了用好这个产品我们还要额外雇佣专业人才或去找第三方公司购买额外的服务,这说明企业愿意为购买服务付费,而对工具付费,企业则要谨慎的多。” 云客帮助企业创建电话销售团队,云客有辐射全国的电话销售座席。通过企业筛选培训、模拟试呼,云客会派遣这些运营人员帮助企业进行电话销售工作。一般在百度推广的主动咨询,只有那些强意向线索才会进入企业的跟进列表;云客是主动收集所有可能的潜在线索,在云客系统中进行多维度标记,为企业储备客户线索,提供企业后续营销对应客户。 推广米勒漏斗指导销售行为 艾云鹤承认获取销售线索是最有价值也是最难的部分,所以云客采取的模式也多有不同。比如发现很多CRM产品都遵循销售漏斗原则设计,并不适合中国销售的使用习惯。于是云客根据米勒漏斗建立了一个对人不对事的漏斗来指导销售行为。 不同于销售漏斗根据销售流程建立管理流程,云客根据米勒漏斗的全部区域、漏斗上、漏斗中、最优少量建立流程划分。全部区域是云客通过数据挖掘、筛选、清洗、补全建立一个实时动态线索数据库。漏斗上是系统主动学习企业的兴趣特征、销售行为轨迹等信息,建立企业客户画像,为企业推荐潜在客户线索。漏洞下是企业销售通过云客系统,通过电话、短信、邮件等多种通讯方式联络客户,云客平台同步完成销售过程记录与分析,同时这些销售行为数据会进一步反馈给云客数据库,对数据进行优化反馈,帮助企业销售完成找客户和选客户的工作,最终获得销售线索的最优少量解。 目前云客获得隆领投资和磐谷的500万元天使轮融资,正在寻找Pre-A轮融资。艾云鹤介绍,云客获得蔡文胜(隆领投资)的天使轮融资也很幸运。2015年蔡文胜到北京出差,艾云鹤获得15分钟演讲PPT机会。当时蔡文胜认为:“寻找销售线索一定是个长期的刚需,当一个产品能够解决这个难题时,每个商务会形成重度依赖,这个产品靠口碑传播就能做起来,”但蔡文胜也认为这个项目比较难做。因为真的就只交流了15分钟,出门时艾云鹤认为几乎不会获得融资了,但第二天蔡文胜的投资经理找到云客,确定下了天使轮投资。 传统CRM的数据最终成功转化率在3—5%,艾云鹤提到云客的转化率在8%左右。云客今年成为阿里云生态企业,艾云鹤认为阿里云市场线上流量比较大,阿里也在开展线下活动获取更多的企业用户,都对云客的进一步发展有帮助。另外近期云客计划入驻阿里钉钉,钉钉给企业提供了很多很好的管理工具,艾云鹤希望云客与钉钉数据层面打通,为钉钉的用户提供开源获客服务。关于未来发展,艾云鹤认为,目前市场上有很多好的CRM产品,在销售管理流程上已经很成熟,云客的发力点不是在完善轻量级CRM,而是在销售线索获取上更智能,所以未来希望与更多国内CRM厂商合作。   本文作者杨晓鹤,来源:亿欧
    大数据
    2017年08月11日
  • 大数据
    魔方招聘B轮获6500万元,继续用大数据落地企业招聘服务 魔方招聘在今天正式对外宣布,公司已获得由天成资本领投,考拉基金、协立投资跟投的6500万人民币B轮融资,资金已于今年3月全部到账。创始人郝耘琦表示,本轮融资将主要用于扩充大数据技术团队,以及企业服务端口和SaaS产品的优化。 公开资料显示,魔方网聘(北京)科技有限公司成立于2015年3月,创始人郝耘琦具有10年的网络招聘行业经验;团队成员来自于BAT、京东等企业。 公司曾于成立之初获得过三行资本的近千万元天使轮融资;去年初获得由考拉基金领投,三行资本、1898创投基金跟投的4000万元A轮融资;去年年底完成5000万元A+融资,由协立投资,上海联创领投,拉卡拉创投,黑马基金跟投。 记者了解到,现在企业在招聘过程中,75%的时间需要花费在简历筛选、电话邀约、面试确认等前期工作中。由于需要HR人工操作,所以工作效率很低,平均每邀约一次面试,成本大约为几十到几百元不等。 而魔方招聘通过全网收集简历的形式,利用大数据技术,将求职简历与企业所需招聘岗位进行匹配,直接为企业推荐求职者到场面试,并按结果付费。这不仅提高了面试邀约效率,还降低了企业在简历筛选、电话邀约等前期事务性工作中的成本投入。 在商业模式上,魔方招聘目前沿用着“线上服务免费,线下服务收费”的方式。线上服务即在线IM沟通、电话、在线面试等;而收费则来自于实际到企业现场参加面试的人员。企业需要按岗位和人数支付费用。 郝耘琦介绍,魔方招聘使用M币作为自身的结算体系,M币可存可取。价格根据面试候选人职位高低、工作年限、技术水平等不同而有所差异,约为几十到1000元。企业选择行业、职位等限制条件后,可以看到候选人价格,按自身情况邀约。 需要指出的是,魔方招聘为企业推荐的面试候选人,其主要面对年薪在35万元以下的中基层人员,不做高管推荐。 据了解,魔方招聘目前正保持着较高的增长势头,团队也从去年底的200人扩充到如今的500多人。自去年底开始正式提供企业招聘服务后,目前魔方招聘已有3000家付费客户,包括百度、今日头条、美团等。 魔方招聘官网 值得一提的是,魔方招聘的To C端产品已于今年3月正式更名为“魔方面面”。郝耘琦表示,此次更名仅为产品名称变化。无论是魔方面面(To C)还是魔方小聘(To B),都是为公司整体招聘核心业务服务。 郝耘琦透露,魔方招聘今年将重点在企业端市场推广方面发力,同时继续加大自身产品技术和服务上的优化投入。
    大数据
    2017年04月26日
  • 大数据
    世行专家:大数据征信不靠谱!那我们的大数据个人背调怎么办? 当然这个主要是针对金融来谈的,我们抛砖下,另外个人征信的8家试运行机构都没过关。。也就是个人征信牌照还是hold着在。。。   近年在中国,个人征信业务备受新兴互联网公司追捧,并创造出 “大数据征信” 的概念,比如供应链征信、小贷征信、互联网征信等名称五花八门。4月21日,在“个人信息保护与征信管理”国际研讨会上,多位外国征信行业的资深专家对此表示,“在国际上,并没有大数据征信这个概念,比如知名美国信用评分公司Fico在美国不会称自己是一家征信公司,更不会说是大数据征信公司,而是一家数据分析和风险管理服务公司;目前也没有任何人使用大数据用于征信。” 世界银行集团旗下国际金融公司(IFC)东亚及太平洋区金融基础设施技术援助负责人赖金昌对此强调。 欧洲个人信用信息服务商协会(ACCIS))主席Neil Munroe亦对此表示,目前协会的会员虽然对大数据也很关注,但尚无一家提供大数据的征信产品,“因为要确保这些大数据的准确性,以及是否符合征信行业的基本原则。” “坦白说,世界上只有在中国才看到利用大数据来开发信用评分的这种现象,”世界银行集团全球金融基础设施建设技术援助负责人Tony Lythgoe表示,利用大数据来开发信用评分产品前提是,首先要确保这个数据的准确性,包括数据模型的准确性以及这个模型运作的准确性,“但是从社交网络采集的这些信息是由个人提供的,很难保证数据是客观准确的。” Tony Lythgo 强调。 目前世界银行已帮助包括中国在内的全球几十个国家了建立征信体系,积累了丰富经验,同时也持续追踪或者参股一些具有创新技术的前沿公司。 Tony Lythgo同时指出,传统的征信机构有明确规范哪些数据可以使用,并适用于什么样用途。比如在美国,性别、宗教、血型等信息是不可以征集的,你也可以检查到它的确没有征集到这些信息。“但是大数据是一个黑箱操作,你不知道它到底征集的那些信息,你很难检查到它征集的哪些数据不能用。” “请谨慎使用 ‘征信’ 这个字眼,” 赖金昌在前述场合对此呼吁,“并不是大数据里面的数据都不能用于征信,只有少部分符合国务院的《征信业管理条例》的数据可以用,其基本要求是数据来源明确、客观、准确。” 征信信息使用范围有限 赖金昌介绍说,对征信市场的认识涉及两个基本框架,第一个框架是商业数据信息的使用范围。 这可以分成三个层次:第一个层次是最广的范围,是普通商用数据;其中包涵用于金融服务的数据,特别是用于信贷方面,这是第二个层次;第三个层次是征信数据,也是其中最窄的范围。 赖金昌用打车APP举例称,比如王小二从国贸到明珠饭店,该打车APP收集乘车人乘车习惯的数据,用来研究市民的日常行为,这属于普通的商用数据;事后王小二针对司机的行为表现,在打车App上给司机打了一个好评,该打车APP所在公司号称打造了一个出行司机的内部共享信用系统,用于该打车软件公司的内部监测与奖惩司机的依据,“但这个信用系统不是征信系统,是用于企业内部管理;这类信息也属于普通商用信息,即前述第一个范围的信息。” 此打车软件是从A移动通讯公司入网的,是先使用后付费,这是类信贷行为,因为这个移动公司是给了消费者一个先使用后付费的商业信用;A收集这些信息后,会把这些信息卖给一些小贷公司,后者可以根据该乘客的打车频率、用的是哪一种车等,以此推测借款人收入水平,这属于前述第二个层次的数据,是用于信贷的数据。“该数据收集行为是否合法,是另一问题,目前中国还没有数据保护法。” 移动公司也是征信体系的会员,有权利查询其客户的信息,它也须按照征信规则进行查询,查询目的是用来审核那些先使用后付费客户的入网申请,类似于查询一个信贷申请。那么A通信公司作为信贷机构,按照征信系统的要求,将通讯支付信息上传给征信机构,“不是上传所有的信息,只是按照统一的数据模板上传;这类数据就是属于征信数据,属于前述第三个层次。” 赖金昌强调。 谈到征信信息的适用范围,赖金昌表示,征信领域的信息即前述第三类信息的管理是最严格的,由于涉及金融领域的违约率,涉及钱的损失,所以对数据保护的要求更高。“所以征信收集的数据范围是非常有限的,其目的也是很有限的,它提供的服务仅限于征信系统的会员。” “征信机构的信息也是债务催收公司的第一大数据来源;第二个来源是从社会合法渠道购买。 ” 赖金昌介绍说,在国际上,这些催收公司属于高技术公司,债务催收可联系到的客户比例是20%到30%,所以必须有其他的数据来源,这还需要有一个正常的数据保护框架,以便于其合法取得其他的信息来源。” 征信机构有限 第二个框架是数据信息的适用规制。 赖金昌介绍说,征信机构提供大数据服务时也要遵循一系列法律,比如《合同法》、涉及金融业领域或医疗领域等要遵循数据保护方面的法律;还涉及个人数据保护、公平性等,“比如是否存在歧视你的数据主体?不该收集的东西你是不是收集了?。” 第一类信息即普通商用信息适用一般合同法,这也涉及隐私问题和数据安全问题,其专门法律是《个人数据保护法》。 第二类信息用于信贷类的金融服务,要遵守的规则除了前述条法,还涉及专门的金融消费者保护方面的规则,其监管机构可能是普通的隐私保护机构,也可能是金融监管机关。“从性质上来说,金融业的数据比大部分的普通商用数据要重要、严谨得多,因为金融机构要依赖这些数据提供金融服务,还有保护存款人利益的外部性因素、金融稳定因素等。” 赖金昌表示,根据国际经验,中国将来的征信市场可能分为A、B、C三类结构。A类是综合性全面征信机构,这类机构不可能存在太多,估计也就3家左右,包括人民银行征信中心。比如菲律宾的发征信市场,从最初的6家征信机构到目前剩下4家,预计将来还会整合成三家或两家。“征信行业主要是数据的汇合和整理,强调数据的全面性和准确性,市场规模有限。” 富国银行负责数据风险管理和中小企业信贷的高级副总裁王强曾称,目前美国的三大征信局Experian(益百利)、 Equifax(艾可菲)、 TransUnion(全联)加上FICO评分公司的总市值是约365亿美元。如果今天中国征信信息覆盖的人口像美国一样接近80%,通过征信使金融业务审查批准过程减少三个小时人工,据此推算,中国征信机构的市场价格应该是美国的一半左右。“即使和美国的市场价值一样,中国征信机构的市场价值也只有约350亿美元,不足一家手机服务商小米手机的市场估值。” B类机构是专业征信机构,专业征信机构从第一类全面的征信机构那里取得数据,再加上专业征信机构自身的专长数据,再加工之后卖给客户。专业征信机构指在某些领域有专长,比如保险领域、信用卡领域、零售信贷信贷等,实际上是帮助分销全面征信机构的数据产品。 C类机构是数据服务公司或风险管理服务商,C类机构客观上是帮助分销A和B类机构的产品,这种类型的数据公司可以有n多种,没有数量限制,他们应该符合相关法律要求。目前来中国还没有《个人数据保护法》或者《个人信息保护法》,对这一类机构也没有任何监管。 “用大数据来帮助放贷是没有问题的,但并非是大数据征信的概念;在美国的征信机构,有正常的征信业务,但除此之外也提供很多市场营销服务,为客户画像提供数据,帮助零售商能够更低成本的找到客户,但这并不是征信业务。” 赖金昌强调。 作者:张宇哲 来源:财新网
    大数据
    2017年04月24日
  • 大数据
    基于企业校招大数据,“小贤才”想从过程化服务切入招聘市场   来源:猎云网(微信:ilieyun)文/张雅楠 又是一年春招季,“企业招聘难”与“学生就业难”现象并存。据统计,全国招聘市场估值近千亿,其中校园招聘渠道价值在百亿以上,并且呈逐年增长的态势。因此,校园招聘也成为创业者所看好的市场。 针对大学生群体的招聘平台不在少数,如以实习为切入口的实习僧、实习狗、实习委员等实习招聘平台;以兼职为切入口的口袋兼职、001兼职网、兼果等兼职招聘平台。记者今天要介绍的“小贤才”则是以校园招聘过程化服务为切入口,基于校园招聘服务大数据应用,为学生、高校及企业提供精准匹配服务的校园招聘平台。 传统的校招模式仅体现在线下的招聘会和宣讲会层面,“小贤才”通过校园招聘过程化服务、移动互联技术应用,实现了对传统校招模式的突破。将原本每次校招“一对一”的重复工作方式,通过优化整合,形成“一企对多校、一生对多企、一校对多地”的工作模式,打通了校际之间的招聘信息孤岛,大大提高了企业校招的覆盖面,节约了企业校招的成本。 “小贤才”通过校园招聘大数据的应用,提供了学生能力、求职意愿与企业岗位需求的匹配度指数,实现了学生能力及求职需求与岗位需求的精准匹配,实时双向推送岗位和求职者,大幅度提高了校园招聘的实效性。 基于企业校招大数据,针对于专业需求、技术热点、岗位技术要求等进行数据分析,为高校提供实时数据报告,将数据应用反馈于教学,在招生规模、实践课程设置、实习实训、就业指导中贴近于企业需求,将学校就业工作前置。 合伙人杨林向猎云网介绍,大学生大多缺乏工作、求职经验,对简历的处理也略显粗糙与稚嫩,“小贤才”通过多样化的简历模板技术实现了简历制作、一键投递的功能。“小贤才”为学生用户提供定制化职业生涯规划和求职服务。平台通过专业的测评,为学生的职业能力、企业岗位需求进行分值量化,进行精准匹配。 “小贤才”将会为其提供职业分析报告,引导学生的职业技能提升方向。 信息匹配的精准度还取决于用户介入的多寡。杨林向我们透露, “小贤才”正式运营4个月,已注册学生已超过5万,入住企业7000+,介入高校18所。 随着入住企业数量的增长,平台对企业资质与招聘信息真实性的审核也越来越严格。“我们首先要确保企业真正有用人需求,然后对它的企业资质与岗位信息等进行审核,此外,还会参考企业的历史信用评价,对那些曾有过夸大宣传、虚假招聘、报名参会却爽约的企业会被列入平台的黑名单。” 对于下一阶段的规划,杨林透露,上半年希望可以对接投资机构,快速打通上下游产业链。在高校布局上,以山东为核心,辐射全国。“市面上同类平台大多集中在北上广地区,选择多、竞争大,我们的模式在山东已经得到验证,下一步扩张可能更倾向于西北、内蒙、东北等北方地区。” “小贤才”为鲁东大学的创业团队,隶属于山东新位来教育科技有限公司,公司成立于2016年7月,位于鲁东大学创业孵化基地。团队目前20余人,创始成员既有来自鲁东大学的教授、专家,又有曾任职于华为、腾讯、新浪等多家科技公司的技术和运营人员。执行总监杨林拥有10年工作经验,曾任职海信智能商用、海尔商用计算机与台湾的商业系统公司。 据了解,小贤才目前正在寻求天使融资,更偏向于资源型、战略型的投资机构。
    大数据
    2017年03月30日
  • 大数据
    2017年大数据发展的十大趋势预测 来源|199IT 编辑|陈光 网址|www.xtecher.com 微信公众号ID|Xtecher 2016年,近40%的公司开始或正在实施和扩展大数据技术应用,另有30%的公司计划在未来12个月内采用大数据技术。2016年NewVantage Partners的大数据管理调查发现,62.5%的公司现在至少有一个大数据项目投入生产,只有5.4%的公司没有大数据应用计划,或者是没有正在进行的大数据项目。 2017将会有越来越多的公司加速采用大数据技术。互联网数据中心(IDC)预测,到2020年大数据和分析技术市场,将从今年的1301亿美元增加至2030亿美元。“公司对数据可用性要求的提高,新一代技术的出现与发展,以及数据驱动决策带来的文化转变,都继续刺激着市场对大数据和分析技术服务的需求“,IDC副总裁Dan Vesset表示。 “2015年该市场全球收入为1,220亿美元,预计到2016年,这一数字将增长11.3%,并预计在2020年以11.7%的复合年增长率(CAGR)继续增长。” 虽然大数据市场将会继续增长这一点毋庸置疑,但企业应该如何应用大数据呢?目前还没有一个清楚的答案。新的大数据技术正在进入市场,而一些旧技术的使用还在继续增长。本文涵盖大数据未来发展的十大趋势,机器学习、预测分析、物联网和边缘计算等这些趋势都可能对2017年及以后的大数据市场产生极大影响。 一、开放源码 Apache 、Hadoop、Spark等开源应用程序已经在大数据领域占据了主导地位。 一项调查发现,预计到今年年底,近60%企业的Hadoop集群将投入生产。佛瑞斯特的研究显示,Hadoop的使用率正以每年32.9%的速度增长。专家表示,2017年许多企业将继续扩大他们的Hadoop和NoSQL技术应用,并寻找方法来提高处理大数据的速度。 二、内存技术 很多公司正试图加速大数据处理过程,它们采用的一项技术就是内存技术。在传统数据库中,数据存储在配备有硬盘驱动器或固态驱动器(SSD)的存储系统中。而现代内存技术将数据存储在RAM中,这样大大提高了数据存储的速度。佛瑞斯特研究的报告中预测,内存数据架构每年将增长29.2%。目前,有很多企业提供内存数据库技术,最著名的有SAP、IBM和Pivotal。 三、机器学习 随着大数据分析能力的不断提高,很多企业开始投资机器学习(ML)。机器学习是人工智能的一项分支,允许计算机在没有明确编码的情况下学习新事物。换句话说,就是分析大数据以得出结论。高德纳咨询公司(Gartner)称,机器学习是2017年十大战略技术趋势之一。它指出,当今最先进的机器学习和人工智能系统正在超越传统的基于规则的算法,创建出能够理解、学习、预测、适应,甚至可以自主操作的系统。 四、预测分析 预测分析与机器学习密切相关,事实上ML系统通常为预测分析软件提供动力。在早期大数据分析中,企业通过审查他们的数据来发现过去发生了什么,后来他们开始使用分析工具来调查这些事情发生的原因。预测分析则更进一步,使用大数据分析预测未来会发生什么。普华永道(PwC)2016年调查显示,目前仅为29%的公司使用预测分析技术,这个数量并不多。同时,许多供应商最近都推出了预测分析工具。随着企业越来越意识到预测分析工具的强大功能,这一数字在未来几年可能会出现激增。 五、智能App 企业使用机器学习和AI技术的另一种方式是创建智能应用程序这些应用程序采用大数据分析技术来分析用户过往的行为,为用户提供个性化的服务。推荐引擎就是一个大家非常熟悉的例子。在2017年十大战略技术趋势列表中,高德纳公司把智能应用列在了第二位。高德纳公司副总裁大卫·希尔里(David Cearley)说:“未来10年,几乎每个app,每个应用程序和服务都将一定程度上应用AI。 六、智能安保 许多企业也将大数据分析纳入安全战略。企业的安全日志数据提供了以往未遂的网络攻击信息,企业可以利用这些数据来预测并防止未来可能发生的攻击,以减少攻击造成的损失。一些公司正将其安全信息和事件管理软件(SIEM)与大数据平台(如Hadoop)结合起来。还有一些公司选择向能够提供大数据分析能力产品的公司求助。 七、物联网 物联网也可能对大数据产生相当大的影响。根据IDC 2016年9月的报告,“31.4%的受访公司推出了物联网解决方案,另有43%希望在未来12个月内部署物联网解决方案。”随着这些新设备和应用程序上线,许多公司需要新的技术和系统,才能够处理和感知来自物联网的大量数据。 八、边缘计算 边缘计算是一种可以帮助公司处理物联网大数据的新技术。 在边缘计算中,大数据分析非常接近物联网设备和传感器,而不是数据中心或云。对于企业来说,这种方式的优点显而易见。因为在网络上流动的数据较少,可以提高网络性能并节省云计算成本。它还允许公司删除过期的和无价值的物联网数据,从而降低存储和基础架构成本。边缘计算还可以加快分析过程,使决策者能够更快地洞察情况并采取行动。 九、高新职业 对于IT工作者来说,大数据的发展意味着大数据技能人才的高需求。IDC称,“到2018年,美国将有181,000个深度分析岗位,是数据管理和数据解读相关技能岗位数量的五倍。” 由于人才缺口过大,罗伯特·哈夫技术公司预测,到2017年数据科学家的平均薪资将增长6.5%,年薪在116,000美元到163,500美元之间(当然这是美国的标准,中国国内目前尚未统计)。同样,明年大数据工程师的薪资也将增长5.8%,在135,000美元到196,000美元之间。 十、自助服务 由于聘请高级专家的成本过高,许多公司开始转向数据分析工具。 IDC先前预测,“视觉数据发现工具的增长速度将比其他商业智能(BI)市场快2.5倍,到2018年,所有企业都将投资终端用户自助服务。 一些大数据供应商已经推出了具有“自助服务”能力的大数据分析工具,专家预计这种趋势将持续到2017年及以后。数据分析过程中,信息技术的参与将越来越少,大数据分析将越来越多地融入到所有部门工作人员的工作方式之中。
    大数据
    2017年01月03日
  • 大数据
    大数据的创业时机到了吗? 编者按:本文首发于微信公众号“蓝驰创投”(ID:lanchichuangtou), 如需转载请联系微信公共号“蓝驰创投”,相关BP请发至邮箱:china@brv.com.cn 在蓝驰大数据论坛上,蓝驰创投合伙人朱天宇就大数据创业进行发表了演讲。以下为PPT内容和现场演讲实录: 我的题目是大数据的创业时机到了吗?有很多人说,现在大家都在谈人工智能了,都在谈机器人了,都在谈AR/VR了,你怎么还谈大数据呢,好像这个概念上不是最先进的。我其实想留这个问题给大家。 我们今天讲三个部分: 第一是时机,在座的都是很多创业者,一定相信也知道,时机是很多创业里最关键的一个因素。 第二,在应对大数据创业领域可能面临的挑战方面的思考。 第三,蓝驰已经在做的布局和思考以及看重的创业机会。 其实说到大数据行业的创业时机,最基本的是两个方面,第一,行业内部内生的一些需求,第二,政策的拉动。这两方面都构成了我们认为目前大数据创业这个时机已经呼之欲出的一个原因。 首先说行业内部自己的需求,其实说大数据创业首先要说到企业服务。中国过去这么十年、十五年以来,消费者,就是以互联网为代表的消费互联网服务已经如火如荼这么多年,现在大家说红利已经差不多了。 企业服务的春天到了 大家为什么在讨论,可能过去半年都在讨论企业服务的春天到了。春天到了的原因是大数据行业的创业时机会比以前无论是在需求还是在赚钱的可能性更高。 我们都知道,中国过去二三十年改革过来,每个行业效率递进,其实在大部分行业,除了我们比较熟悉的互联网行业,它是做到了精细化。大部分经济体内大部分行业的效率依然还是比较粗放,精细化运作依然是缺少的。 很大的原因是说,在中国经济体有很多行业的龙头企业,比如超大型国企,一些国资委管理的企业,它们本身对于效率的追求是不够的。这些行业的龙头企业对于效率追求的动力的不足导致了在每个行业链条的企业没有把效率作为企业发展的核心目标。 所以导致这里我们看到身边很多企业都是以关系寻租型在做生意,而不是追求精细化运作。当然我相信这么多年改革其实有很多的私营企业,其实在这方面已经做的非常好了。但是我们必须看到这个经济体里的成分依然有大量的在体验上的洼地,在效益上的洼地。所以这是目前大数据我们看到的一个春天。 因为在接下来的执政周期来看,从供给侧的提法来看,其实本届政府对于企业在效率方面提升所创造的红利是非常关注的。所以那些龙头的国企已经受到很大的压力,这个压力会不会传到中下游的中小企业身上?这样会不会让更多成本效率型企业跑出来? 当它们关注成本效率的时候,我们作为企业服务,给它提供削减成本,忧虑消化的模式,这个工具和服务是不是会比以前卖的更好?所以这是我们看到春天来的一个最大的动因。这个动因根本首先它是一个政治问题,而不是经济问题。 企业洼地率先成为大数据的沉积地 我看到信息化的企业洼地率先成为大数据的沉积地。这是什么意思?我们看到本届政府提到大数据作为国策之一,国务院也发布了很多大数据发展纲要。但是中国政府提的大数据里,其实它的含义本身是信息化的问题。因为很多企业信息化还没有达到,在这里有很多洼地。 先不要提大数据,先把企业是不是真正按照数据的方式进行驱动的经营管理以及企业流程业务生产系统当中业务流程当中那些数字是不是能真的抓出来、真正把这些数据拿去做效率优化的改进作为一个关注点,但答案是并没有。 这些空白实际上也是我们创业公司的机会,就是说大数据创业的起点很大程度上从信息化开始的,但是只做信息化肯定是远远不够的,后面会讲到每个层级的递进。虽然我们从信息化洼地开始,但是它们会率先成为大数据的沉积地。像医院的病例数据并没有得到很好的处理,但是现在如果有很好的技术我们把它抓起来,形成医学大脑,这个速度可能会比其他行业大数据业务发展的还要快。 什么是跨越式发展?这类似于中国九十年代开始去重新布线程控电话,但是当时美国的电话资产已经积累了很多年,其实程控电话发展比美国还要快,就是直接跳过了一代技术直接往后。我们发现这就是在行业机会上的判断。 我们发现在有些行业上,如果那个行业真的非常落后,甚至我们可能用很创新的技术,颠覆性的直接把这个行业的机会拿下,比别人走的更快,比别人拿的数据更多。这是我看到目前行业内生需求的几个特征。 另外,政策是从自下而上的一个需求。刚才提到了大数据的潜台词是信息化,但很多地方还没有做好。为什么出大数据纲要,其实我们与很多在座的创业者都有交流和探讨,真正国内的大数据要真正走到大数据层面还有很长的路,但是我们先从信息化开始。 这里包括后面会提到的2015年的《大数据发展纲要》,但是它强调的是政府间的数据共享。这里存在着巨大的空间。还有为什么把数据放到这么高的高度,因为这是国家竞争力的战略制高点。 《奇点临近》描绘到,当人工智能逐步成熟,当所有的经济体的业务都根植于数字化之上,数据产生之大、之先进、之高都有可能会严重的改变原有的政治、军事,甚至经济的格局。这块有一个推论是数据会比我们现在看到的石油、货币更重要,是更致命的战略资源。我们政府其实也很清晰地认识到,说我们现在如果不去培植这方面的经济成分的话,我们从数据获取这块就有可能落后。 过去WTO刚刚入世的时候大家讨论我们的猪肉、大豆都被外资控制,我们的物价会不会也控制?其实我们可以做这样的类比,当我们的数据也没有自己很好的掌握的话,这块的战略要地其实也是在政治层面非常关键的一个制高点。 所以从这个角度来讲,可以毋庸置疑,本届政府对这个事的重视。一旦国策在推进的时候,其实地方上都会有相应的结构配合支持。我们看到这些政策推动的时候,我们看到一些关键数据源的开放。国务院首先自上而下有这样一个行动纲要,接下来它推进的就是中央部位,科研机构,国企等等各方面都要做数据共享。我们已经接触到很多创业公司已经跟工商、税务、三会一行、公安部、能源等等全部在做数据业务的开放性的尝试。 大家都知道贵州大数据会议、贵州省政府,包括今天也有过来的清华大数据研究院,它们整合了各个院系相关的研究形成一个整体,要统筹在大数据方面的拓展。2015年气象局出台了《气象信息服务管理办法》,首次把气象数据开放出来。商业气象服务本身也是一个很大的市场,在国外也是很成熟的市场,航空、航海等等都需要。 当这些数据出来的时候就是创业者最好的机会。创业机会最关键的点就是在别人没有看到的时候你就能看到,你就能扑进去做起来,而且做的比别人好。所以我们看到在行业需求和政策两方面自下而上,自下而上都在拉动这个行业走。 大数据创业里头我们可能遇到的挑战 接下来想分享一下在大数据创业里头我们可能遇到的挑战,因为看到机会只是刚刚开始。 首先我们看到三个层次的挑战,我们经常说做大数据创业首先解决数据冷启动的问题。我们说从0到1创业维艰。但是在大数据创业来讲不光是从O到2,而是从负1到0的问题,这就是我说的数据冷启动的问题。 因为没有数据,拿不到数据,大数据创业、大数据价值创造从何而来呢?举个例子,像去哪儿的庄成超,在他创业早期的时候,我们之间是有一些比较掏心窝的对话。他说,我觉得我这个选择的方向是不是太苦了?去哪儿开始跟中航信合作,它其实是中国的GTS的核心,里面有大量的清华、北大的博士。但是它作为国企没有动力真正把这个事情做好。所以当去哪儿想做一个搜索引擎的时候,发现搜索引擎核心的基础,就是中航信这样的基础做的非常之差。去哪儿还要帮它打补丁,打了很多补丁之后,啃了很多硬骨头之后,去哪儿才有可能把机票的信息顺利地接到自己的搜索引擎上,开始利用这个行业的数据去做它想去做的业务。 再往前推,像大家看到的很多在线支付行业起步的时候,快捷虽然想复制Paypal,但是做半年、一年才发现,在中国首先要做的事情是帮银行补课。而这个在美国市场,在五六十年代已经开始逐步的电子化、信息化,到八十年代信息化已经非常成熟了,到了九十年代互联网一上来立刻互联网化效率很快的提升,再往后移动互联网。 而在中国会发现,这几个阶段可能要两三步并做一步去走。这种超常的跨越式发展,一方面对于创业者挑战非常大,但是一方面对大家来讲也是机会。如果你识别出这样的空白,识别出这样超常跨越式机会,你就会站到这个行业的潮头。我们说数据冷启动往往被迫从信息化开始,要被迫做非常苦、非常累的活,才有可能拿到数据,才能开始数据炼金的路。 有了数据怎么赚钱? 接下来有了数据,你怎么赚钱?有了数据就能赚到钱了吗?其实并不如此。这里很关键的点,就是怎么理解行业客户的应用场景。因为数据本身并不是能产生价值,你能给客户解决问题才能产生价值,而用户的真实需求在在哪里呢?在一线工作人员和部门的老总,和公司的老总需求是一样的吗,他们的需求都能说出来吗?说不出来或者能说出来但是又不想说。能把这些话套出来,才是把真实的需求套出来。 因为这跟做消费者、跟to C的业务不一样,to B面临的不是一个消费者,消费者简单,你把体验做到极致就搞定了,但是面对一个企业的时候克服的挑战更多。再加上,这里提到的商业产品思维。之前我们说产品经理,互联网思维其实都很简单,作为研究美食的产品经理要先把用户弄明白。 但是互联网行业配合了大量的商业产品经理,关键的是你拿到数据和需求之后能不能将其变成好的产品呈现出来,给企业一个很好的体验,或者给企业一个愿意买单的机会,这里理解行业应用场景,甚至比数据冷启动更难的一件事情。我们觉得在金融、安全、物联网、农业、物流等行业上可能率先会有比较典型的应用场景。 有了场景,有了商业产品和服务之后,再上一层楼,我们的收费模式是怎样的?对于企业服务而言的话,是按项目收费,还是按服务量收费?大家比较熟悉的是按项目收费,我提供一个数据服务,像SaaS一样,你付我多少钱。但是这是大数据商业模式的真正本质吗?我们这里关注的是能不能按服务量收费? 就是你手里有很多数据和工具,用户在你这里跑一次,你能不能吐出一些给企业有用的结果,能够创造一些新的价值的结果,能有一些让他不得不花钱买单的结果,这个可能是一次数字的检验,也可能像授信、征信的核查一下,或者是一个问题的搜索。当按服务量收费的时候,这个模式的收费能力和按项目收费的能力会完全不一样,而且这才真正体现了我们拿到了一个有价值的大数据的收费服务。所以在这块也是我们进一步的一个挑战和思考。 说了这么多创业的机会,我觉得刚才那三个层次是针对每一个创业者可能都要去思考的问题,但是对于投资者来讲,我们肯定是在众多的创业项目当中去挑选我们认为可能成长性最好,最有价值的公司。 这里也想跟大家分享一个角度,我们是怎么去看这个赛道,我们之前经常说独角兽,但是最近这个词大家都慎用,独角兽甚至变成一个负面的词汇了。所以我们谈最顶级创业机会在哪儿?我引入一个词,定价权。什么是定价权?说白了,就是你说卖多少钱就是多少钱,人家还得买你的。定价权并不是代表你定价,而是企业针对的客户和上下游的溢价能力是什么,而且这种议价能力是不可替代的,你怎么达到这样的程度。当你达到这种程度的时候,你一定会成为众多投资者争相追捧的。 回到大数据这个赛道上,真正能够拥有强定价权的商业模式有什么样的特征呢?我这里讲两个方面,因为数据的生意说到底就是两件事:一个是卖数据的,一个是卖数据服务的。对于卖数据这块来讲,数据源的质量、数量、覆盖率都很关键,因为要真正大。 很多创业者说我这儿搜集了几百万用户的兴趣标签,说大数据。其实这个从技术上我们经常会有一些标准,数据到什么程度才是真正有价值的数据源,每个人都有判断出来。当然除此之外,还包括数据实时更新程度,这决定了你的数据源是静态的还是动态的。 你怎么获取动态的数据源?你跟你数据上游建立什么样的关系,才能保证数据源不仅仅是静态的,不仅仅是现有的质量和数量,而且是动态的,能不断滚动、发展,在质量、数量上能不断滚动发展的。在数据分析能力这块,我们大家都比较熟悉的统计分析,把这个数据拉过来,做一个图表,再高级一点的可以做交叉分析,可视化。 但是统计只是数据应用最基础的层面。再往上大家现在也看到了很多模式事业的,把这个数据拉过来做几个模型,给我预警。像医疗影像,可能符合早期癌症判断的话就预警了。或者征信里有一些规则,这个人用户的数据一跑就报警了,这个身不能授信,这个是识别。 这与统计模式上可能高级一点。但是这还是中级阶段。我觉得更往上的是能够做预测,对未来即将发生的和还没有意识到的一些问题做预测。我们的创业者在自己的核心竞争力打造上到底是朝向哪个级别去努力的?你的数据源到底是在这些维度上能达到什么程度?这可能都是我们会去关注的。你达到什么样的阶段才可能达到皇冠上的宝石,这个赛道上最肥的一块肉,这可能是大家需要思考的问题。 这里简单跟大家说一下数据源,例如现在看到的国家行业与公信力层级的数据如身份、征信、房产、车产等等。这里想重点说一下企业实体和用户实体。用户实体大家都比较理解,但是之前说了那么多年用户行为,这个产生的价值并不多,因为数据维度还是不够多。像提到的时间和空间数据是我们之前在用户数据上还缺失的地方。时间和空间的数据在谁那儿,哪儿有那样的数据,而且还是实时更新的。 这里讲一下企业的实体数据,如果把企业看成一个用户的话,它是什么性格的人,什么特征的人,我们怎么用这个角度去识别一个企业?因为今后很多的企业是要对人和企业做判断,它的行为数据能不能衡量出来?它的数据可能在各个方面,比如在企业自己的价值创造的每个环节:从研发到生产,到客服,也可能跟上下游供应商,包括跟它所有的利益合作方,像工商、税务、信贷等等。以及它的内部,它怎么对待员工,怎么跟员工互动?甚至包括办公室的水电消耗。其实这些都有可能刻画出企业的形象数据,但是不限于此。但是想导入一个概念,就是针对企业的行为数据,它可能是什么样的数据源,我们要开拓我们的思路。 至于在数据分析这块我就简单过一下,比技术更重要的还是场景。对行业场景的熟悉程度更决定了你在大数据服务这块建构的能力。技术方面挑战我就不说了,这就是数据冷启动的层面。想提醒大家的就是说在大数据创业的这条路上,我们是不是已经意识到我们建构的核心壁垒在什么地方?如果我们要突破的那些方向还没有达到这些技术和数据源挑战的时候,可能我们的思考和执行还都没有进入大数据创业的深水区。而真正皇冠上的宝石,真正最肥的肉其实都在这里。 总结一下,回答我们这次演讲的问题:大数据创业的时机到了吗?我想答案大家心里都有数了。但是我想强调的是抓住大数据,就是抓住下一个创新周期的七寸。为什么?很多人说人工智能,但实际上在中国这个市场,我觉得首先还是要从最底层的数据源的角度。就像刚才说的要先从信息化洼地抓起,而且抓到大数据就是在未来人工智能的赛道上做布局。因为你在做数据,人工智能也是场景的积累,同时在这个过程中也在积累技术,而且是真正有实效的技术。 所以对我们来讲,抓大数据不是那么性感的一个词,但是实际上这恰恰是我们基金作为面向未来的思考,也是我们希望跟创业者去沟通分享交流的一个关键词。 分享总结 刚才我也提到了我们今天的论坛的目标是让没有来的听众后悔。我这儿有三个关键词,如果能把这个关键词带走,就能让没有来的听众后悔。 第一,从负1到0,就是刚才说的数据冷启动的问题。每一个关键词背后其实是问题,并不是关键词。当你想到负1到0的时候你要问自己哪些问题。 第二,场景。不光是数据问题,你对场景熟悉到什么程度,你对客户需求到底了解到什么程度,才有可能真正建立自己的产品和商业模式,并且赚到钱。 第三,定价权。这三个关键词是针对不同阶段的创业者。从负1到0是刚起步的创业者当下要关注的,对于已经上路的同志来讲,场景是不是你之前忽略的,你有没有更好的方式去获得更有洞察力场景的知识。对于想更上一层楼的创业者,脑子里要想的是定级权,背后要问自己哪些问题,怎么样获得你强有力的数据源,怎么样建构你技术的壁垒,怎么样真正提供一个好的产品服务,让别人只能到你这儿来买单。 作者简介: 朱天宇于2009年加入蓝驰创投中国办公室,他拥有超过十年的创业投资,业务拓展和管理咨询经验,他关注的方向包括互联网、移动互联网、新媒体、电子商务等,他主导了对美丽说,唱吧,趣分期的首轮投资。
    大数据
    2016年09月28日
  • 大数据
    在大数据时代,每家公司都要有大数据部门吗? 本文作者:桑文锋,神策数据创始人&CEO,前百度大数据部技术经理;神策数据(Sensors Data)是一家专业的大数据分析服务公司,致力于通过大数据技术帮助客户实现数据驱动,提升用户体验。   如果这个问题换做是:在电气时代,每家公司都要有个发电厂吗?是不是会更好回答一些?   事实上每一种重大技术的出现,都会对产业产生大的变化。在蒸汽时代,采矿机采用蒸汽机后,会带来生产效率的极大提升,而轮船加上蒸汽机,再也不需要靠风才能航海了。在电气时代,电灯代替了蜡烛,电报代替了快马送信,而报纸也被广播和电视所侵蚀。   可以说是现有产业加上新技术,形成了新产业。   我们回过头来看这两次工业革命,生产蒸汽机的企业只有少量几家,而发电的企业在美国也只有通用电气和西屋电气。并不是每家企业都要从事这些基础设施的研发和生产,更多的是对新技术加以应用,发挥新技术带来的价值。   在 IT 领域,软件刚出来时,可以说是计算和存储完全混杂在一起。有人尝试将计算硬件进行分离,歪打正着成就了 Intel。有人尝试将存储系统分离,因而有了 Oracle。   Intel 和 Oracle 固然伟大,但它们的价值更多的还在于有广大的企业采用了这些新的技术,在具体的行业中,产生了更大的价值。   同样,云计算这种理念固然是好,但如果每家企业都建立自己的云计算中心,从资金和人力投入上,一定是不划算的,更严重的问题是做不到最优。相反,有了 AWS 和阿里云这样的云计算提供商,让中小企业更便捷的进行创新应用。   回到题目中的问题,在大数据时代,每家公司都要有自己的大数据部门吗?结论也不能下的太武断。   早在 2008 年,云计算的概念刚刚兴起,百度内部出现了两拨势力。一拨要从零开始打造自己的大数据底层技术,把 MapReduce、GFS、BigTable 这些组件都要实现一遍,结果花了两三年时间,也没能稳定运行。   而另外一拨势力,直接采纳开源的 Hadoop 生态,很快在公司内应用起来。而我当时做的日志统计平台,也是采用了 Hadoop。但百度的数据规模毕竟太大了,所需的集群规模,开源版本根本撑不住,于是不得不改写 Hadoop,这样就和开源的版本渐行渐远,等到后来再也合不到一起了。   曾经有一年多的时间,我们部门新设计和实现底层的存储及计算系统,结果发现开源的版本也差不多实现到了同样效果。虽然许多内部的人觉得我们怎么总重复造轮子,但我明白还是需求使然,你面临的需求相对领先,但也没有领先到像 Google 那样提早 5 年。   但对于小公司来说,则完全没必要从零开始做,还是要尽量用开源的产品。   整个 Hadoop 生态,要比我 2008 年刚用的时候,要成熟很多。那个时候我们去拿开源的版本,编译部署,一个新手可能两周都不一定能正常的运转起来。而现在下载一个 Cloudera 发行版,两个小时就可以正常跑任务了。   与此同时,又面临了新的问题,因为大数据平台牵涉到数据的采集、传输、建模存储、查询分析、可视化等多个环节,而开源领域只是一些组件,于是各家公司都在纷纷打造自己的大数据平台,这就像 Oracle 之前,各家都在打造自己的存储系统。这显然不是一件性价比高的事情。   有市场需求,就会有满足相应需求的公司诞生,于是就诞生了一堆提供大数据服务的公司。   由于这一新领域还处于早期,这些创业公司所能提供的服务并不会特别的完善,要么是以项目制的方式运转,要么是提供专门应用场景的服务。   这样,对于一些企业来说,这些创业公司提供的服务,似乎自己也能实现,那何不干脆自己做?   这创业一年多以来,我看到了太多的公司在打造自己的数据平台,但做的还不够完善。不管是技术实力还是人力投入上,都有点力不从心。如果选用了这些第三方数据服务,那岂不饭碗被抢了?   可我要说的是,饭碗早晚都会被抢,只是时间早晚的问题。这里只需要问一个问题:我所做的数据平台,是不是其他公司也是类似的需求?如果是的话,那肯定也有其他公司做着类似的事情,做的东西会大同小异。   那么,就会出现专门的公司,来解决这种通用的需求。因为这些公司专注于解决这一块问题,所以会更加专业,并且舍得投入。而对于需求公司来说,除非自己转型去专门做大数据平台,不然在投入上,肯定不是一件性价比很高的事情。与其如此,不如及早侧重于自己的核心业务,关注应用需求本身。   那对于企业来说,在大数据时代,应该怎么做呢?我的建议是三点:   首先,要拥抱大数据技术。 新的重大技术出现,都带有颠覆性。一不小心,就会被革命。但也不是说企业已有的业务不用搞了,都来搞大数据吧。   在大数据这件事上,还是要从需求出发,而不是从大数据出发。   有人会问我,我有了一些数据,给我讲讲怎么能发挥更大的价值。坦率来说,许多时候不了解业务场景,很难提出建设性的意见的。   相反,我们要先看在企业满足客户需求的时候,还有哪些重大问题没有解决好,如果采用了大数据技术,是不是可以更好的解决?如果有这样的点,那非常好,就勇于去尝试。如果没有,那就继续学习大数据的知识,再等待这样的场景出现。   其次,企业要有懂大数据的人。 这种人不一定是全职的,但至少是可以将企业的业务和大数据技术结合起来的人。这种人不一定对大数据技术本身很懂,但善于使用新技术。 如果企业现在还没有,并且还没招到。可以去培养一个头脑灵活,乐于学习新技术的人。如果抛开大数据系统的实现挑战,理解大数据的应用场景,那难度会降低不少。   最后,要善于利用第三方服务。 能用第三方服务解决的,就尽快去尝试。在竞争激烈的情况下,通过采用新技术,获得技术红利,跑的更快。就像爱迪生当年发明白炽灯后,那些更早将白炽灯用于工厂的企业家,更有可能提升工人的工作效率。   这篇文章的内容,主要参考了吴军的新书《智能时代》。对大数据和机器智能感兴趣的读者,强烈推荐这本书。
    大数据
    2016年09月19日
  • 大数据
    企业软件供应商 SAP 将收购大数据初创企业 Altiscale,交易金额预计超 1.25 亿美元 企业软件供应商 SAP 将收购大数据初创企业 Altiscale,收购金额预计超过 1.25 亿美元。收购细节消息预计将在未来几周内正式公布。   Altiscale 创立于 2012 年,总部位于加利福尼亚州,是一家 Hadoop 云服务模式(HaaS)供应商,致力于为 Hadoop 开源软件提供一个云端版本,用于存储、处理和分析不同种类的数据。Altiscale 希望通过这种将 Hadoop 服务推向云端的方式,降低 Hadoop 的抽象性与复杂性,为工程师搭建一个完整的 Hadoop 环境,让用户可以更专注于他们的数据与应用。   Altiscale 的竞争对手包括大数据 DaaS 服务供应商 Qubole 和 HaaS 服务供应商 Xplenty,除此之外,公共云基础设施供应商 Amazon Web Services 也提供 Hadoop 服务。为了提高竞争力,Altiscale 不仅提供 Hadoop 云服务,还提供 Apache Spark 云服务(一种更快、更现代的 Hadoop 替代品)。   SAP 一直在采取措施来增强公司云软件产品组合,本次收购可谓是让 SAP 收获了一家最知名的 HaaS 服务供应商。Altiscale 的联合创始人兼 CEO Raymie Stata,之前创立的公司 Stata Labs(基于搜索的邮件客户端软件 Bloomba 和反病毒过滤软件 SAProxy 开发商)在 2004 年 10 月被雅虎收购。之后一直到 2011 年 10 月,Stata 一直在雅虎内部负责 Hadoop 软件部署工作。Stata 及他的团队工作经验对 SAP 来说意义深远,因为 SAP 的竞争对手 IBM 和微软都非常注重云数据服务,而本次收购将大大提升 SAP 在云服务上的竞争力。   Altiscale 自创立至今,获得融资总额为 4200 万美元,投资者包括 Accel Partners、 AME Cloud Ventures 和 Northgate 等。公司现有员工数量 90 人左右,客户包括 Devicescape、 Glu Mobile、 MarketShare 和 ShareThis。   本文来自翻译:venturebeat.com
    大数据
    2016年08月29日
  • 大数据
    企业成长平台 Powerlinx 获 700 万美元 A 轮融资,利用大数据帮企业寻找合作伙伴 研究表明,85% 的公司高层管理人员认为战略性合作伙伴关系对于企业成长至关重要,57% 的人每年大约花费 10 万美元寻找合作伙伴,74 %的人希望通过自动化解决方案寻找合作伙伴。为了解决这一行业痛点,Powerlinx 利用大数据及前沿技术,帮助企业寻找合作伙伴。   7 月 27 日,企业成长平台供应商 Powerlinx 宣布完成 700 万美元 A 轮融资,由公司创始人和其他战略投资者共同领投,包括法国企业信息服务巨头 Altares D&B。公司计划利用本次融资进一步拓展全球性业务,扩大公司规模。   Powerlinx 创立于 2012 年,总部位于纽约,致力于为企业提供一个独特的成长平台,帮助企业寻找新兴市场、发展机遇、战略合作伙伴关系及其他合作机会。Powerlinx 改变了耗时耗力的传统战略合作过程,降低了合作门槛。在此之前,企业合作领域通常是局限在大企业之间,只有行业巨头才能获得与所谓的精英银行及咨询公司进行合作的机会,且相关咨询服务的费用较高。   Powerlinx 平台采用专有的推荐引擎,根据决定合作关系成败的定量及定性数据,包括共同目标、业务特点以及同过去合作伙伴的表现等,将企业与数据库中的 5200 万个企业进行配对,并对其成功几率进行预测。企业可以利用的合作机会包括:整合供应链协议、合资企业合作伙伴关系、并购、技术协议和资本项目等。   此外,Powerlinx 还会为每一个公司、企业所有者及企业家提供战略增长见解。   今年三月份,Powerlinx 推出了平台测试版,并为企业提供订购服务。目前公司用户群已经覆盖了超过165 个国家,近 5 万家企业。   本文来自翻译:www.vcnewsdaily.com
    大数据
    2016年07月29日
关于我们  | 商务合作  | 加入我们  | 那年今日  | 招聘科技峰会精彩回顾  | 上海科技峰会回顾  | 首届HR区块链峰会  | 2017HRTech年度颁奖  | people analytics  | 候选人体验大奖  | 友情链接  | HR科技极客大奖  | 深圳科技峰会精彩回顾  | HR共享服务平台  | 三支柱论坛2018  | 2018数字人力资源科技奖榜单  | 2018 数字人力资源科技奖  | 北京2018HRTechCon精彩回顾  | 2018HRTechXPO  | 2018TOP100人物榜单  | 2019年度活动计划  | 2018年度大奖揭晓  | 2018投融资报告  | 2017投融资报告  | INSPIRE 2019精彩回顾  | 2019海外活动计划  | 2019北京招聘科技论坛精彩回顾  | 2019深圳人力资本分析峰会精彩回顾  | 2019中国人力资源科技峰会上海精彩回顾  | 2019HR科技极客大奖  | 北京HRTechXPO未来馆精彩回顾  | 深圳·2019招聘科技创新论坛精彩回顾  | 2019候选人体验大奖榜单  | 中国人力资源科技云图  | 招聘科技云图  | 2019上海招聘科技创新论坛精彩回顾  | 深圳7月19日HRTechXPO精彩回顾  | 2019HRPA上海站精彩回顾  | 2019中国人力资源科技创新奖  | 深圳·2019中国人力资源科技年度峰会精彩回顾  | 2019北京HR科技峰会精彩回顾  | 2019数字人力资源科技奖榜单  | 2019HRTechChina TOP人物榜单  | 2019HRTechTOP人物列表  | 2019HRTechXPO-上海精彩回顾  | 2020HRTechChina品牌活动计划  | 2020HRTech云图入口  | 共同战疫专题  | 2019年度评选榜单  | 2020招聘科技创新虚拟峰会精彩回顾  | 助力企业共同抗疫专题  | 2020年度候选人体验大奖(中国地区)榜单揭晓  | 2020HRTech虚拟峰会精彩回顾  | 提交业务需求
 Hotline: 021-31266618   Email:hi@hrtechchina.com