京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据/SaaS/物联网,2015年的风口在哪里
雷军说,站在台风口上,一头猪都能飞起来。找准市场的潜在热点,你成功的几率就会大增。在这样的市场里更容易招到好的人才、有更多露面的机会,更容易融资,也更容易退出。那么2015年的风口在哪里呢?我们来听听Elad Gil的看法。
初创企业退出的平均时限是 7 年。而站在风口上则可以大大缩短退出时间。1990 年代末,由于互联网热潮的兴起,被收购或 IPO 的时间仅仅是 2、3 年。最快的退出方式是并购。
而要想成功 IPO 通常需要有 5000 万美元的收入,还要有几个季度的盈利。不过如果处在风口的话,对盈利的要求也许就没那么高,甚至还可以宽松一阵子(比方说大数据热潮下 Hortonworks 的 IPO 就是例子)。
风能刮多久?
历史资料表明,那些挂起的风球有 50% 的概率是假预报。例子包括 1980 年代的第一波人工智能热,2000 年代早期的纳米技术热,以及 2000 年代中期的清洁技术和 2000 年代晚期的地理定位热。
而成功刮起来的风包括社交网络(2000 年代中期—Facebook、Twitter、LinkedIn)以及移动社交(2010 年代早期—WhatsApp、Instagram)。
那么 2015 年可能的风口在哪里呢?
2015年的风口
1、飓风—可能催生大型独立公司和众多收购的市场
大数据
所谓的“大数据”可细分为四个领域:
(1)大规模数据处理(Hadoop、Spark 等)
(2)智能数据。如分析性工具获数据科学家使用的工具。
(3)数据中心基础设施(有时归为“大数据”)。如 Mesos(及 Mesosphere)。
(4)垂直数据应用(如针对医保索赔的数据存储和分析)
这个市场会创造出独立上市公司,也会产生大量收购。潜在的收割者包括传统的企业巨头(HP、IBM 等),以及该领域有流通股或市值很大的早期公司(如 Cloudera,、Hortonworks)等。此外,医疗保健方面(及其他 2、3 个关键领域)的垂直型数据公司可能会被更加专业的收购者收购(如 UnitedHealth)。
SaaS(软件即服务—含API/开发者工具)
如最近一些公司(Zenefits 和 Slack)爆发式增长所表明那样,SaaS 在企业协作、人力资源管理等方面还有着非常多的机会。
这个领域未来几年内每年会冒出 1、2 家非常大的公司(或退出)不足为奇。关键是找到差异化的有机分发模式(Slack)或业务模式(Zenefits)。
为了避免市场过于细化,此处将 API/ 开发者工具也归为一类。把许多服务做成 API 是行得通的,因为传统上其执行方式过于笨重。Stripe 和 Twilio 就是这类趋势的两个典范,Checkr.io 则是更近一点的例子。
基因组技术
基因组学尚未进入主流炒作周期。但由于市场发生的根本性转变,到了 2015 末 2016 初有可能会成为投资热点。这可能会催生大片的未来投资,也可能产生 1 亿至数十亿美元的退出。这一波基因组浪潮可能会推出独立的基因组软件公司(IBM、Oracle、Google、Illumina 等是可能的买家),也会出现更多的传统以生物学为中心的基因组学公司(医药与传统生物科技公司为买家)。这个领域会诞生少量大型的上市公司。
2、狂风—会有许多收购但是否会出独立公司不太清楚人工智能(AI)
有两类 AI 公司:
(1) 开发通用型 AI 或“一般 AI 平台”的公司
(2) 应用 AI 解决非常专门的问题或客户需求的公司(如网页的机器翻译或筛选病例样本)
第一类公司会被 Google、Facebook 等少数公司以人才收购的方式收购掉。第二类公司可能会诞生少量大型的独立公司。我更看好第二类,因为此类公司真正创造价值。不过,如果你主要对快速退出感兴趣的话,第一类公司会卖得更快,1 到 4 年就能以很好的估值卖给 Google 等试图囤积机器学习人才的公司。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据指标体系搭建工作中,从业者常困惑于指标搭建的核心逻辑:究竟是依托一线零散数据自下而上汇总指标,还是基于战略目标自上 ...
2026-07-31在数据分析、问卷研究、实验复盘、业务建模的工作中,大多数人最关注的是“用什么统计方法”:是做T检验、方差分析、卡方检验, ...
2026-07-31 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-07-31在问卷调研的数据分析流程中,“先检验信效度,再开展进阶统计分析”是通用的规范逻辑。很多从业者会听到“问卷效度高,后续可以 ...
2026-07-30【核心关键词】大数据、统计学、专业、毕业生、论文、课程、计算机、建模、知识、数据分析、机器学习、数据科学、大数据技术、 ...
2026-07-30 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-07-30在业务数据分析中,按天拆分统计夜间时段的数据是高频需求——比如电商夜间订单监测、平台夜间用户活跃度分析、运维系统夜间异常 ...
2026-07-29在机器学习建模与特征工程实践中,判断不同特征对模型预测效果的贡献度,是特征筛选、模型解释、业务归因的核心环节。特征置换重 ...
2026-07-29 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-07-29【核心关键词】岗位、数字化、经验、课程、方法论、决策、企业、大方向、数据分析、销售管理、理论知识、思维方式、分析销售、 ...
2026-07-28在问卷调研、用户分群、效果对比等业务数据分析中,分类变量的关联性与差异性验证是高频需求。卡方检验作为针对离散分类数据的经 ...
2026-07-28 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-07-28在Excel数据分析与报表制作中,数据透视表是快速完成多维度汇总、分组统计的核心工具。很多从业者在得到透视表汇总结果后,为了 ...
2026-07-27 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-07-27当下,我们已然步入数据要素价值全面释放的智能时代。数据不再只是零散的数字记录,更是驱动新质生产力运转的核心动能、滋养人工 ...
2026-07-27【核心关键词】客户、数据分析、指标体系、数据采集、数据指标、业务数据、分析思路、业务需求、分析方法 【专访摘要】本次 CDA ...
2026-07-24在数据分析、业务建模与数字化运营体系中,原始业务数据普遍存在缺失、重复、异常、口径不一致等质量问题,直接用于分析与建模会 ...
2026-07-24 很多数据分析师能熟练计算均值、标准差,但当被问到“如何用一张图让业务方3秒内看懂核心结论”“面对不同数据类型该怎么选 ...
2026-07-24在数据驱动的精细化运营体系中,指标是业务判断、效果复盘、策略优化的核心依据。随着企业数据化程度提升,指标数量持续膨胀,但 ...
2026-07-23在用户运营与产品增长体系中,留存是衡量产品真实价值与用户粘性的核心标尺,也是决定用户生命周期价值、获客投产比的底层因素。 ...
2026-07-23