数据智能

大数据行业图谱之三:为什么大数据应用公司这么贵?

大数据行业图谱之三,数据应用领域机会在哪里?

2017年01月17日
  • 数据智能
  • 大数据应用
  • 数据互联
  • 数据源

2017年,大数据这把火烧了六年,依然没有减弱的征兆。过去一年,话题的热点已经不再是大数据概念和定义,而是集中在大数据的应用。大多数企业老板已经明白什么是大数据,开始关心数据如何与业务结合,提升企业盈利能力。

大数据应用是整个数据产业的核心,也是企业级客户真正愿意为大数据业务买单的原因。大数据并不神秘,企业在大数据上投入与上个时代企业在硬件设备和ERP等软件上投入没有本质区别,都是认为这种投入能帮助它开源节流,解决业务问题。除了数据交易,数据是无法直接给企业贡献利润的,数据的价值在于让企业的主营业务产生更大利润。

数据来源:2016-2021年大数据应用行业深度分析及“十三五”发展规划指导

从全球市场来看,大数据应用占据整个产业的半壁江山。根据Wikibon报告,2016年全球大数据市场规模为452.6亿美金,细分领域中行业解决方案和应用这两类细分市场规模为226.5亿美金。目前国内企业在大数据的投入还主要是硬件层和技术层,应用层投入相对较少,但应用层的潜力无疑是巨大的,未来在单个垂直行业都会是千亿级市场。

根据爱分析对大数据产业的划分,整个产业分为三层,分别是基础平台、通用技术和行业应用。大数据行业图谱系列报告中的前两篇重点介绍了基础平台(大数据行业图谱之一)和通用技术(大数据行业图谱之二),本文是大数据系列第三篇——行业应用,主要想解决以下三个问题:

第一, 大数据在各行各业的应用有哪些?

第二, 大数据应用公司为什么贵?

第三, 哪些大数据公司容易突围?

要么卖数据,要么卖技术

在大数据应用这个细分市场,最大两类玩家是大型互联网企业和大型集成商,他们的实力远远超过市面上这些做大数据应用的初创公司。

大型互联网企业不仅仅是指BAT,还包括TMD(滴滴、今日头条、美团)等公司,这类企业兼具技术实力和数据源,不过这些企业的技术和数据主要服务自身业务,很少对外输出。

大型集成商主要是指华为、浪潮这些传统IT巨头,他们的传统业务是为大型企业提供硬件设备,在这过程中积累了大量数据。当他们服务对象的需求发生变化,增加大数据领域预算时,他们开始转型,积极开展大数据业务。

大型集成商还可以细分成两类,一类是华为这种自身技术实力很强的公司,他们以单兵作战为主;另一类是一些技术实力较弱,以搬箱子为主的集成商,这些公司一般会选择与大数据公司合作,填补其技术短板。

除去上述两类巨无霸,还有两类玩家。一类是传统提供行业解决方案的IT公司转型开展大数据业务,如中奥科技、美林数据等;另一类是新兴大数据公司,如明略数据、昆仑数据等。前者胜在客户关系和行业经验,后者则在技术上具备优势,不过归根结底,两类玩家都是要解决客户在大数据时代遇到的业务问题。

从服务形式上,大数据应用主要有两种形式:输出技术和输出数据。

输出技术的公司主要是基于自身在数据技术的积累,向客户提供全套解决方案,提升企业处理数据的能力,实现业务效率提高。明略数据、百分点主要以这种形式为客户提供服务。

输出数据的公司主要是基于自身在数据源的积累,向客户提供数据产品,弥补企业在数据源方面的不足。TalkingData、集奥聚合、聚合数据是这类大数据公司中的佼佼者。

从解决需求上,大数据公司主要解决客户三方面需求:平台搭建、数据获取和应用创新。这三类需求是存在递进关系的,不同行业信息化程度相差极大,因此主要需求也会有所差异。

企业级客户经过21世纪前十年的IT投入阶段,各业务线的系统基本建成,形成各项业务的数据库。下一步需要做的是,搭建统一的大数据平台,打通内部各业务系统,解决数据孤岛问题,发挥业务数据的价值。

搭建好大数据平台,数据统一管理,内部数据互联基本完成。接下来是要开始逐步对接外部数据,解决外部数据获取的问题,实现更大规模的数据互联。

最后,融合多方数据源,探索数据在不同场景下的应用。

金融、零售、电信、政府是当前主要应用方向

中国存在大量信息洼地,行业信息化发展极不平衡。工业、农业等信息化相对落后的行业,尚需打好根基,先将业务数据采集存储起来,再寻求数据应用。相比之下,金融、零售、电信、政府等领域信息化程度相对较高,出现很多大数据应用案例。

大数据在金融领域的应用主要有以下三类:精准营销,风险控制以及精细化运营。将金融机构的客户打上不同的数据标签,形成个人和企业用户画像,再根据不同业务需求,甄别出目标客户群体。精准营销主要包括个性化营销、存量用户管理、挖掘潜力客户;风险控制包括个人及企业级信用评估、欺诈交易识别;精细化运营包括产品优化、市场和渠道分析、舆情分析等。

大数据在零售领域的应用与金融领域类似,依然围绕着精准营销、渠道管理、产品优化、市场定位等方面。值得注意的是,金融领域主要关注个体数据应用,而零售领域还关注统计数据应用,即大数据市场调查报告,了解消费者喜好,明确产品市场定位。

电信领域,三大运营商占据得天独厚的优势,主要将大数据应用于精细化流量运营、智能客服中心、个性化服务和对外数据服务。因为运营商数据价值度很高,开始对外输出数据,主要提供个人信用数据和位置数据。

随着《大数据发展概要》的发布,政府开始在大数据领域大力投入,除了建设数据交易中心,提供数据流通的合法途径外,政府大数据在交通、电子政务、公共安全等领域应用案例频出。大数据协助公安人员找出嫌疑人员潜在关系,提升破案效率。

大数据无限可能性,提升公司估值

过去两年,大数据概念热炒催生出一个又一个泡泡,IT创业公司纷纷转型成为大数据公司,意图获得高估值。从爱分析发布的中国市场大数据企业估值榜来看,估值超过5亿美金,PS倍数30-40的大数据公司不少。那么,这些大数据公司为什么这么贵?

其实,提供技术服务的大数据公司估值相对合理,PS倍数略高于SaaS公司,但尚处于合理区间。这些公司业务模式类似传统IT厂商和软件公司,同时国外基本有相应的对标公司,公司未来成长路径一目了然。

主要是与数据源相关、提供数据服务的大数据公司估值普遍较高,资本市场非常看重数据源的价值,主要有以下三点:

第一, 国内数据开放程度低。

国内数据开放程度远低于美国,这使得电信、政府、BAT等几个重要数据源价值被放大,有机会掌握或者触及这类数据源的大数据公司更容易建立自己的竞争壁垒,因为有些时候数据源的价值远远高于技术。例如,银行对个人客户进行风险甄别时,如果有运营商数据作为佐证,对风控效果的提升非常巨大,而这部分提升只能依赖于数据,技术再强也没用。

第二, 数据应用尚未成熟

短短五六年,大数据已经对各领域产生深远的影响,逐渐颠覆人们的认知。但大数据还处于早期探索阶段,数据价值尚未完全发挥出来,未来大数据在各行各业的应用远远不止当前这些。具备数据源的公司是最有机会挖掘数据新的应用。

第三, 数据服务规模化相对容易

数据服务不同于技术服务,它对人力依赖相对较轻,主要人员投入在数据清洗环节,服务形式更多为API接口,交付上人力投入低。这种业务模式可复制性要强于技术服务,一旦找到适合的应用场景,可以迅速扩展到其他同类别客户。

不过,高估值只是代表高预期,近年独角兽公司翻车的案例并不少,哪些大数据应用公司更容易兑现预期呢?

大数据应用定制程度高,规模化困难

先泼一盆冷水,不论是技术服务还是数据服务,都存在服务定制化属性重,难以形成标准化产品的问题。

本质上,大数据应用公司的业务与传统咨询公司类似,都需要针对客户个性化需求给出解决方案,难以用标准化服务满足大型客户的需求。数据科学家的存在类似于传统咨询顾问,只不过要求更高。

既然业务无法做到快速复制,重点做大型企业客户,提升客单价就成为大数据应用公司的必然选择。

泼完冷水,让我们看看,究竟哪类大数据公司能够成为独角兽?

优质数据源、技术积累、行业标杆客户,终极目标是数据互联

大数据应用的业务链条,包括数据源、数据技术和数据应用。国外大数据公司可以专注于业务链条的一个环节,将一个环节做好就能成长为10亿美金以上的独角兽公司,中国大数据公司如果仅仅做好其中一个环节,业务开展都成问题,发展很容易遇到瓶颈。

一方面,国外初创公司分工明确,多数公司专注于一个细分领域,合作共赢是主流思想。而国内大数据公司都想自己做整条业务线,因此竞争非常激烈。

另一方面,国外中小企业付费意愿明显强于国内,这使得国外细分领域的市场空间远远大于国内,初创公司可以依靠一众小客户做到几亿营收,支撑其上市。国内公司就很难依靠一个细分领域的客户支持其营收增速,必须要扩张其业务线才能有足够成长空间。

总而言之,国内大数据公司要想成长为独角兽企业,难度远大于国外,数据源、数据技术和数据应用三个环节都要有独特竞争力。

第一, 优质数据源。

大多数大数据公司不具备数据源,主要依靠采集其他企业的数据。像TalkingData为APP软件提供广告监测以及数据统计的业务,从而采集到移动设备数据。因此,有机会触及优质数据源对大数据公司非常重要。

从行业来看,银行、电信、政府的数据价值很高,这类用户数据真实性较高,能反映用户实际需求,而互联网数据中记录大量用户无序行为,有价值数据密度较低;从设备来看,移动端的数据价值要大于PC端,因为智能手机的普及使得移动端用户行为数据更加活跃,同时可以追踪用户地理位置。

第二, 技术积累。

单纯依靠数据源并不能构筑竞争壁垒,毕竟这些数据并非大数据公司所有,躺着挣钱的事情是运营商等数据源拥有方。除互联网客户外,大数据公司都很难将企业客户的原始数据提取出来,只能获取数据标签。

因此,大数据公司在数据处理上要有很深的积累,特别是在数据清理环节,去除噪音,保留有价值的数据,这部分工作对人力依赖较重,需要数据科学家去识别有效数据。

第三, 行业标杆客户。

有些时候,服务几个行业标杆客户的价值要远远超过一支数据科学家团队。大数据最终还要是落地,数据与场景应用结合发挥价值,既需要处理数据的技术,又具备足够的行业经验,准确找到业务痛点。

行业标杆客户面对的业务问题一般都会是最前沿、最具参考价值的,服务这类客户会让大数据企业成长,加深对所服务行业的理解,这一点是大数据公司依靠自身无法提升的,这不是技术上的突破,而是经验上的积累。

第四, 数据互联。

经过这几年对大数据的探索,企业和大数据公司都发现,单一数据源价值度有限,集合多渠道数据,实现数据融合能产生更大能量。例如,将电信数据放在银行风控业务场景,提高了欺诈行为识别率。

因此,很多公司都在提供DMP服务,将自己的第三方数据源与企业客户的第一方数据源对接,但实际效果并不理想。

原因主要有以下两点:第一,双方的数据源重合度不高;第二,多账户归一做得不好,解决不了同源跨屏问题。前者是因为数据与应用场景不匹配,后者主要是在技术积累不足,数据清洗不到位。

诚然,数据互联刚刚起步,但能够打通多个重要数据源的公司最有希望成为独角兽。

[suxing_insert_post ids=222,97]