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
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16