京公网安备 11010802034615号
经营许可证编号:京B2-20210330
现实世界是大数据的下一个重大契机
Matt Ocko是风投公司Data Collective的全权合伙人,曾在Uber公司2011年第二轮融资活动中参与投资。他还是Facebook的早期投资人。在2012年与正式启动Data Collective风险投资之前,Matt Ocko已经针对数据库公司进行了若干年的投资。2012年合作开始后,他们的天使投资遍及几乎所有领域的热门初创企业,囊括了从MemSQL这样的数据库公司到Planet Labs这样的卫星成像公司。本周Ocko参加了Gigaom的Structure Show秀,以一名投资者的身份对他感兴趣的和觉得过火的东西进行了阐述。
对于科技领域的很多话题,他的意见都相当有趣、值得聆听,下面是我们采访的集锦,想要了解更多,请关注他在Structure Data中的讲话(于3月18日-19日在纽约),同时受访的嘉宾还有Hilary Mason,他们就数据的未来进行了有趣的探讨。
同时几家大数据采集公司也会列席,包括Enlitic(注:通过大数据帮助医生分析图像)、Blue River Technology(注:致力于将机器人引入农业生产)和Interana公司(注:为其他企业提供便利的数据驱动决策服务)。
有用不代表着一定有吸引力
像是Snapchat和Slack这样的软件非常吸引人,但是Ocko希望能够看到开发精英们(在他看来,可以在当今的基础科技方面创造奇迹的那些人)将注意力转向类似供应链管理或者农业这样的应用上面,因为这些应用可以对“GDP很大程度上产生重大影响”。Ocko表示:这些领域也许看起来很是单调乏味,相应的公司与科技也可能会很低调,“有点冷门、有点失宠”,但是所带来的获益会非常巨大。
只要看一下SAP公司,他解释道:
他们说:“嘿,让我们把账户、供应链还有生产与计划整合起来吧,这样我们就能知道你工厂里下一步要做什么,制造起来花费几何,成本多少、售价多少。”对于制造业来说,这是具有改革性质的,我认为它比早期的工业机器人还要更有改革性。将人们所想的从所听到的东西中抽离出来,对于这些公司而言是一个巨大的经营优势。
或者个人电脑。 Ocko表示:个人电脑的概念在20世纪70年代初次被引入的时候,并未获得很多人的喜爱。“但是它比你能构建的任何1000组的大型主机都要有改革性,它创造了今天我们所从事的这个行业。”
软件吞并实验室
Ocko表示,数据采集特别关注的是:在针对从根本上提高生活质量的公司上,新科技所拥有的巩固其基础的潜力,一般来说主要集中在解决艰难的科学难题上。
他说:“我们称其为软件吞并实验室。我们可以看到,在计算生物科学方面以及相关的信息领域,无需巨额花费,甚至零支出,你就可以构建生物模型,并借此了解如何能够令人类、动物甚至地球更加健康,同时顺应了我们必须遵守的资本制度(即需要盈利的目的),但是在赚钱的同时,这些行为又有着积极而深远的影响。
在应用上,而非科技上(甚至深度学习这样的热门科技上)下注
甚至是在科技领域最热门的那个点上,Ocko表示:投资关注的角度仍然在于这种科技是否有真正的和必要的应用,而不是仅仅关注一些很酷的研究,或者也许只是一个大名头。比如,他在医学成像的深度学习初创公司Enlitic上进行了投资,但并没有仅仅因为会被立刻疯狂收购,而对构建一系列深度学习组合的初创公司表示出兴趣。
Ocko表示:“就像双手合十祈求天上掉下个DeepMind那样4亿美元的融资……因为公司里的人太过聪明,对我而言太过高大上……只能把你那些有限合伙人(注:有限合伙人以其认缴的出资额为限对合伙企业债务承担责任)的资金给吓跑。”
迄今为止,对于Hadoop和市场软件我们都只是“还好而已”
然而,即便对于一些真正创新性和改革性的科技来说,也总有一个市场饱和的临界点。这并不代表那些领域的初创公司会落得玉石俱焚的下场——他们可以建立很好的公司,但是对于投资人来说,他们就没那么大吸引力了。
其中一个代表就是Hadoop公司,在Ocko看来仍有大量实际运用的可能,但是在获取巨额估值方面,可能已经达到极限了。“如果你开启了某个分类的Hadoop群组,很多其他类别的Hadoop仍有市场,但是就像你说的,我无法确定那些公司是否也能成为巨擘。他们也许是很不错的公司,但是在VC看来,对于其他公司的投资就不会成为像是对Hortonworks、MapR或是Cloudera的并购那样的全垒打了。
另外一类就是通过机器学习提高其效率的销售和市场软件。“我看到过的从事管道矿业方面的公司数量,无论他们是致力于市场最优化还是销售最优化,不夸张地说要超过100家了。”Ocko说道,“如果有这么多公司想法如此类似,我认为这代表着他们可能会走向悲剧。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26在数字化浪潮下,数据分析已成为企业决策的核心支撑,而CDA数据分析师作为标准化、专业化的数据人才代表,正逐步成为连接数据资 ...
2026-01-26数据分析的核心价值在于用数据驱动决策,而指标作为数据的“载体”,其选取的合理性直接决定分析结果的有效性。选对指标能精准定 ...
2026-01-23在MySQL查询编写中,我们习惯按“SELECT → FROM → WHERE → ORDER BY”的语法顺序组织语句,直觉上认为代码顺序即执行顺序。但 ...
2026-01-23