
2015年的风口是大数据?人工智能?还是SaaS
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)。
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?
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。
物联网(IoT)
物联网是对“消费电子电器”进行重新的性感包装,是笨重的老式家庭设备的现代化外加软件和 API,从而实现无缝的互操作以及对数据的泛化记录和使用。
现在传统的消费电子电器令我想起 iPhone 之前的摩托罗拉 Razr,很棒的工业设计,但是没有真正的软件可用。
从退出角度来看,Google、苹果、三星、飞利浦、通用电器等都对有助于加速自身在此市场努力的这方面收购感兴趣。预期该市场会出现更多的小型和大型(5 亿美元以上)退出。但是 Nest 被收购之后哪些公司会成为长期可持续的上市公司尚不明朗。
安全
这个市场的破解更加棘手,但是预期 2015 年会出现更多的安全初创企业。企业端对安全产品的购买需求不断增长。但这个领域的进入门槛也会更高,因为它既需要强劲的销售渠道,又要有差异化的产品,从 而会压制市场的总体势头。会有少量初创企业实现中小型(数亿美元)退出,但该行业规模会受限于销售瓶颈(CIO 只会向少量供应商购买安全软件,但是太多的新型初创企业把关注点集中在“功能”而非全面解决方案上)。
3、轮盘赌—二元化市场,一将功成万骨枯
共享经济与按需经济
劳动力的分布或资源共享将继续成为创业热点。但是大多数初创企业都会失败,不过也会有少数取得巨大成功。正如 Facebook、Twitter、LinkedIn 成为第一波社交网络潮的巨头一样,AirBnB、Uber、Lyft、Instacart 是这一波共享经济潮的巨头(从市值看)。
类似地,正如有人(WhatsApp、Pinterest、Instagram)在第二波社交网络潮杀出血路一样,共享经济 / 劳动力分配还会诞生几家巨头,但大部分都将失败。
一句话,一将功成万骨枯。太多创业者都想做成某个微型市场的“Uber”。关键是要找出如何拿下现有的大市场的办法(如 Uber 和交通),或者用一个简单的用户案例和产品急剧扩张一个现有的市场(还是 Uber)。这种玩家一旦赢了就是大胜,因为他们颠覆了整个市场。
4、短暂困难时期
比特币
从长期来看,加密货币和块环链是是值得看好的。但是我怀疑现在的许多公司能否成功。需要有若干更大的结构性事件发生才能让比特币受到广泛采用。留给 现有的比特币公司的时间窗口不多了。能盈利(或现金充足)的比特币公司也许能熬到这一转变的发生(就像 AOL 等到互联网真正兴起一样),但许多公司烧钱速度太快了,很可能要失败。不过一旦公司做得足够成功,就会有大量潜在买家看上(Google、微软、eBay 及整个金融体系)。
随着市场逐步走向成熟,未来几年预计会出现加密货币公司的大量扩张,但最终会优胜劣汰。比特币可能会有几年的苦日子,时不时也会有 1、2 单大型的让人误入歧途的退出。不过这之后就会有加密货币公司的爆发,足以令现在的趋势相形见拙。所以我长期是极其看好这一领域的,但是会对其短期情况感到 担忧。
软件投资者对生物技术的投资
除了基因组以外,我还看到有越来越多的投资者投资传统的生物科技公司。基因组技术兴起的原因很明显,因为成本的大幅下降。但传统生物科技并没有享受 到市场的这场大转变。个人观点是这个市场会成为技术投资者的滑铁卢,因为他们误解了这个行业的结构(监管问题、知识产权问题等),且对于潜在的市场也没有 很好的嗅觉。尽管技术投资者未来几年在生物科技领域未必能做好,但是我认为少数人还是会大笔投钱进去的(类似于 2000 年代早期清洁技术的惨败)。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04