
投资人如何看云计算和大数据的创业机会?
我分享的题目是《云计算和大数据领域的投资机会介绍》,因为我不是一个技术专家,所以我不从纯技术角度来讲云计算、大数据投资机会。我们基金投资主要在云计算、大数据和人工智能这几个方向以及在这些方向上催生的一些新的商业模式。
一、从投资角度看,云计算和大数据的宏观背景
云计算市场在中国非常巨大
用户的流量在不断地上升,传统的在以IBM、Oracle和EMC和CISCO为特征的IT基础架构不可横向扩展的弊端是越来越明显。所以对于这种廉价的、可弹性扩张的、易于管理的基础架构的需求是非常的迫切。
因此整个IT基础架构在重构,因为这个市场是非常大的,不仅是在中国,在美国,IBM和Cisco他们也是迎来了巨大的挑战,他们也感觉到自己危机的存在。所以说整个云计算在中国将会是一个非常大的市场。
数据暴涨、大数据市场巨大
随着4G、5G的到来我们在互联网上的流量越来越大,随着数据暴涨,大数据分析会有巨大市场。大数据是分行业的,而不是一个普适的概念。它在很多行业会有非常广泛的应用。所谓大数据的核心,其实对企业来讲就是一个精细化的营销、管理和服务。当中国经济发展、人口红利、改革开放红利遇到瓶颈时,精细化管理和服务将是未来企业的核心竞争力。所以这是为什么说大数据公司变得如此炙手可热,就是这个原因。
任何一个商业模式需要技术成熟来推动它。大数据技术成熟,从根源上来说在于Hadoop这种框架开源架构的成熟使得很多公司很容易上手大数据的分析,能做一些行业深度的应用,会催生一批创新公司出来。在美国有很多这样的创新公司接近百亿美金市值的公司。我相信在中国也存在着同样大的市场,也存在着同样企业的投资机会。
2C投资在降温,2B投资在升温
另外一个方向我们比较关注到的就是,在整个投资行业,在对2C行业的投资目前也遇到了一些瓶颈和泡沫。我们讲的2C,就是刚才大家重复讲的滴滴打车、上门做饭这种直接面对C端用户的App。这些App很多刚开始需要靠烧钱模式去补贴的,而这种补贴模式,有些补贴模式是可以成立的,但是有些补贴模式在本身商业模式不成立的情况下再补也是很难补下去的。即使是大的企业也很难有很好的生存,所以过去一年里,有一些大的互联网公司也在合并,也是因为他们在补贴大战中很难有大的资金支撑它,因此整个2C市场在降温。
那么相反的是,2B市场反而在升温,这是什么原因?
因为2B相对于2C市场会有一定的创业门槛的,创业门槛比2C高。所以现在VC行业也非常关注企业级服务。企业级服务这块投资,大部分不存在补贴模式。所以在目前的阶段现在很多VC机构把企业即服务也作为一个重点的投资领域。
二、VC不是慈善家,都需要退出的,新三板也是一种途径
VC传统退出机制受限
为什么原来互联网企业在国内不能上市呢?
这个东西跟中国的体制是相关的。就是中国的证监会体制就要求,企业是需要有盈利的,也就是说它的利润表最后一行是正数,而且要正的很多。在创业板至少三千万。另外中国证监会对于中国企业也存在着自己的判断,他们会对企业作出一个自己的判断,他要求企业每年成长30%,如果他认为你不能成长30%,不管你怎么跟他申诉,你是不能上市的。
而且在很多情况下他要求你有资产,要有地。因此在原来的情况下不支持互联网企业在中国上市。不过,随着中国资本市场的改革,越来越多的互联网企业可以在国内上市。
新三板给了中小企业融资机会,也给了VC退出机制
从2013年的改革,新三版、战略新兴版把目标都定位为把一些优秀的互联网企业放到国内上市。像我们说的新三板,虽然说大家看到三板的交易不是很活跃,但实际上他也给了很多中小企业在上面融资的机会,同时也给予VC在上面退出的机制。
VC退出新三板也有很多案例。包括战略新兴板,他把企业体量作为一个很重要的指标来考量。所以中国资本市场改革,无论是注册制还是其他,都拓展了VC退出渠道,对国内创新公司是非常有利的。另外,中国相对美国资本市场的溢价会在长期之内存在,尤其是在互联网领域。所以分众传媒回到国内后,半年时间内就有几倍的增值,这个增值是相当高的,中美资本市场溢价使得互联网创新公司在中国是有非常好的机会。
三、云计算投资机会
我们看看云计算的市场情况。中国基础架构市场在2015年达到830亿元。这830亿元是包括混合云、公有云、私有云加起来。每年增速也是达到38.27%。这个增速相对于其他任何一个传统行业都是非常高的。很多中小企业开始使用公有云服务。
在SAAS市场上,最早很多企业开始跑出来,最早被SAAS化的企业是是OA、CRM、SCM,一些企业已经慢慢的浮出水面,以前是拼命的在烧钱、拿客户,但是这个时候他们已经到了一个很好的节点上。其他IT行业也在陆续被改造当中。
云计算投资机会,在各个层面都有
云计算分为好几层,云计算的投资机会会在各个层面上都有,包括SAAS、PAAS、IAAS,还有架构发生的变化使得安全、运维也会被重新定义,在这个基础上也有很多创新公司的机会。
IAAS很多公司也拿到了一些投资,比如前两年的Openstack公司,现在很多Docker公司。包括基础架构这一层的软件定义一切、软件定义网络、软件定义存储,这些公司也有很多拿到了投资,这肯定是一个投资热点。
在SAAS方面我们更多关注于产品功能比较完善,团队行业经验比较丰富,会从几方面来衡量SAAS企业的价值。
美国的云计算很多,在中国到哪里找这些公司?
其实非常少。
在美国的富国银行,它用的SAAS大概有2500个,但在中国你打着灯笼都找不出这么多SAAS,所以在中国它一定会有机会。
大家看SAAS的机会,有垂直行业上的、有业务层面上的。现在有些SAAS已经跑出来了,像做销售管理的,他们慢慢也跑出来了,虽然面临阿里强大的竞争,但是他们也积累了自己的优势,我相信后续的这些SAAS公司,都会有一批企业上来。企业最关心的就是开源和节流。开源和节流问题得到满足之后,其他管理上的一系列问题都会上,这些将会成为SAAS投资的下一波热点。
IAAS层的公司,创新比较少
我刚才分享过一个观点,就是说底层架构的变化,因为靠应用层来推动它,所以应用层创新公司肯定是多于底层架构的创新公司。在底层创新公司这些企业里,中国不会有特别多,因为这些很多技术来自于美国,但是我们也很高兴看见国内也有很多企业这些方面也做得非常不错。这些企业陆陆续续拿到投资,相信未来这方面的机会会越来越多。
云安全公司,寥寥无几
安全,中国做安全,真正做云安全的公司真是难觅。
安全公司在硅谷,每个细分行业都有一堆安全公司保护着云安全。而在中国这些公司寥寥无几。我认为要发展SAAS安全一定要跟上,否则就无法谈论云的问题。云在美国,SAAS应用非常广泛,给SAAS配套的安全企业也非常多,很好的保护了它的安全。
四、大数据的投资机会
大数据行业增速其实更快,为什么呢?
其实应用层的增速一定是高于底层架构的增速。云计算很多属于底层架构,但是大数据肯定是高于底层架构,因为只有应用去催生底层架构的变化。大数据在每个行业都有广泛的应用,在每个行业都可以用。
底层技术创新比较少
从技术角度来讲,中国不会有太多底层技术创新出现。这种机会在美国是会多一点点的,因为整个文化是不一样的。当然很高兴我们可以看到有这样的创新公司出现。但实际上大多数的创新公司还在应用层面、垂直领域,怎么样把企业的大数据问题解决的非常好,让企业很轻松的用你的解决方案。
我们看大数据公司,我们会去看它的产品是不是做得非常好。我们会把这家企业产品能力放在非常重要的考量范围。
很多大数据公司很虚
另外,我在这里要跟大家分享的是,我看过很多大数据企业,其实很多大数据企业都是虚的,很多就是想把自己包装成一个大数据公司,想拿到融资。
其实数据挖掘、分析早在有大数据概念之前很就有。大数据取决于你的数据是否真的大,大得原来传统的架构无法处理,而你采取的新的架构,能够快速分析结构化、非结构化和半结构化的数据,使得你的大数据分析能够洞察到很多原来传统数据挖掘方法挖不到的东西。数据挖掘很早就有。全世界非常着名的SAS公司,他就是数据挖掘分析非常好的一家公司。
五、投一家公司,投资人只关注4点
最后跟大家分享一下我们作为一家风险投资从业人员,我们在看一家创新公司的时候,我们主要会关注它哪些地方。
总的来讲还是四个要素:技术、产品、团队、市场。
不管是对于2C还是2B的企业,都会看这四个方面。其中哪个方面最重要呢?我们认为团队是最重要的东西。
中美创业市场是有差别的。
在中国,这四个要素的排序可能每个投资人不一样,从我的角度来讲,我可能会这么排:团队、市场、产品和技术。
我会把技术排到最后边。为什么?因为我们看过很多创业公司,它的方向是经常变的。走了一年发现走不通了,把方向一变,那么这个时候团队的凝聚力、技能互补是非常重要的,大家能否把这个事情做下去。这句话很简单,但当你看过很多创新公司之后发现,这件事情其实是最难的。
另外就是市场,如果你做的市场就是几亿的市场,你在当中占10%的份额,那么你的团队再牛也不可能做到几十亿的市场。
第三就是看产品,产品和技术区别在哪?技术是底层的东西,产品是让用户看的东西,尤其是对于中国用户来讲,你的产品一定要够简单、够易用。他不关心你底层技术是怎么搭的,客户只关心你的产品。所以说我们会把团队、市场、产品和技术这么来排序。
那么在美国是怎么排序的呢?
相信每个美国投资人都不一样,但是有一点非常确切。美国人对技术的考究、要求一定要比中国高。因为在美国技术不创新就没有出路,就没有可能被VC给瞄上。所以有些做VR,AR的这些公司,当它没有产品出来时,他会估值到那么高的水平,这就是硅谷的游戏规则,跟中国不一样。我们在中国投资还是要考虑中国的国情和中国的现实情况。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29