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
在企业数字化运营、业务流程管理与精细化管控体系中,流程运营是串联各项业务环节、保障工作落地、提升运转效率的核心载体。无论 ...
2026-09-16在数据分析与统计学研究中,卡方检验是分析分类变量关联性与差异性的重要方法,广泛应用于市场调研、行为统计、社会调查、商业数 ...
2026-09-16 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-09-16CDA数据分析师 出品 作者:李诗怡 定义: 用户增长核心分析框架,刻画用户从接触产品到自发推荐的全生命周期,五个递进环节构建 ...
2026-09-15在数字化营销与精细化用户运营时代,企业传统的广撒网式营销模式成本高、转化率低,已无法适配精准商业竞争需求。客户画像作为大 ...
2026-09-15 很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度” ...
2026-09-15在MySQL数据库数据查询与数据分析中,GROUP BY与ORDER BY是使用频率极高的核心关键字。二者语法结构相似,常搭配使用,但核心功 ...
2026-09-14随着数字化治理、智慧运营、数字孪生技术的普及,数字体征成为衡量业务状态、系统运行、城市治理与企业经营健康度的核心体系。数 ...
2026-09-14 很多数据分析师沉迷于复杂的模型和算法,却忽略了数据分析的一项基础能力——描述性统计。事实上,大量商业分析问题,用描述 ...
2026-09-14在MySQL数据库运维与开发实践中,经常出现一种典型现象:数据库实际存储的数据量很小,数据表条数少、文件体积低,但服务器整体 ...
2026-09-11 很多数据分析师能熟练计算均值、标准差,但当被问到“总体和样本有什么区别”“参数和统计量有什么关系”“数据级别的高低如 ...
2026-09-11CDA数据分析师 出品 作者:李诗怡 定义: 将同一时间段内因具备相同属性或共同经历的用户划分为群体,分析其留存与生命周期价值 ...
2026-09-11在零售、商超、餐饮、线下门店等实体商业运营中,客流与销售额是衡量门店经营状态的两大核心指标。销售额是门店经营的最终结果, ...
2026-09-10在数据可视化体系中,柱形图是最基础、应用最广泛的图表类型,其中**累计柱形图(堆积柱状图)**是兼顾整体总量与内部结构的核心 ...
2026-09-10 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 ...
2026-09-10在Python Pandas数据分析中,DataFrame是承载结构化数据的核心载体,数据清洗、数据修正、条件赋值、字段更新等实操场景,都离不 ...
2026-09-09 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 ...
2026-09-09卡方检验(Chi-Square Test)是统计学中针对分类数据的经典显著性检验方法,核心用于判断两个离散分类变量是否相互独立、数据实 ...
2026-09-09CDA数据分析师 出品 作者:李诗怡 1. 销售漏斗阶段判断 题目:销售漏斗模型中,通过广告、社交媒体等方式触达品牌信息(如浏览品 ...
2026-09-07在Python数据分析中,Pandas库的DataFrame是最核心、最常用的结构化数据表对象,类似于Excel的二维表格,具备规整的行列结构、字 ...
2026-09-07