京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据为什么一直火不起来?投资人说,商业模式不清晰不愿投资
大数据由来已久,在国际真正兴起普遍认为是,2009年美国奥巴马把政府的数据开放以后,而2011年的麦肯锡发布的一份报告引起了整个行业的革命。在国内是2012年9月,国务院出台了相关大数据产业化的内容。
随着高度互联和大数据时代的到来,经济领域和社会生活诸多方面均呈现海量数据的特征。大到“智慧城市”,小到“量化自我”,大数据所代表的数字化生活无处不在。庞大的信息群为数据深度分析带来新的挑战,而挖掘大数据应用的商机,则为现代企业发展管理决策提供重要价值。掌握应用数据分析方法、应用环境、应用技巧和局限,亦成为决胜互联网以及移动互联网时代的必胜法门。
在“科创通----投资界系列沙龙第二弹:洞察大数据应用”上投资界人士对大数据一探究竟。
投资界“洞察大数据应用”沙龙活动现场
有了大数据,电影未上映就知道票房盈亏不再是梦
东信首席战略官郭利锋指出,“现阶段,我们做的其实还是通过大数据对消费者进行分析拆分,分类以后所谓的消费者群体的投放。随着各个领域和各行业的数据,特别是线下的数据。”
“我们专门做了一个基金投电影。电影在没有拍之前做相应的预测,判断你赚钱还是赔钱,如果是赚钱的项目就投一笔钱进去,最终回报不是说我把数据卖给你们,而是我利用数据做投资。”海银资本合伙人李东平说。“赚多少,赔多少,具体的数字准度大概是80%。”
那么,海银资本是如何利用大数据推测出电影票房的?李东平给予了详细解读:
“电影票房预测核心就是通过在互联网上的言论、表现、社交关系,把你整个这个社交网络里边的人做一个分群——是喜欢看动作片还是喜欢看惊悚片……喜欢在什么时间看。所有的这些模型构建出来之后,是喜欢看谁拍的,是哪个导演拍的,哪个演员演的?所有这些模型构建出来之后,你出来一个片子,甚至没有拍,你把故事梗概放进去——是谍战的,或者是小清新的……根据这个模型算出有多少受众喜欢这类电影,还可以把演员确定一下,喜欢这个角色的演员一二三排一个名,第一名太贵请不起可以请第二名。所有的模型得出相应的结果,这就是我们看重的预测。”
国内大数据在哪个领域应用最多?答案是,互联网金融
对于数据的分析,不同领域可以有不同的服务,不同的方法,医药、交通、金融、零售领域居多。而互联网金融应用的是最多的。
“很多P2P机构都提到10分钟的信贷(10分钟申请,10分钟放贷),实际上就是运用后台的金融大数据平台。”华创资本董事总经理曹映雪说。“金融数据云平台,它做到的就是充分的利用申请者,不光是他传统的银行挖掘到的收入和线下的数据,它还利用爬虫手段和授权,通过申请者线上交易的支付宝信息、银行信用卡账单,迅速集成,通过自身建立的模型给借款者进行信用打分。这一点就要求具有快速处理信息能力,以及对个体信用评估模型,大数据模型的定价,各方面指标的这些确定。”
大数据虽然由来已久,但仍被认为是蓝海,那么哪些领域最有创业和投资的机会?
“作为创业者来说,我个人感觉在数据存储领域可能跟芯片相关或者跟算法相关,因为数据存储是海量的,技术更新平台是非常快的,这块可能有一些机会。在数据应用领域,我可能针对具体的行业做一些应用,这块机会也比较多。”海银资本合伙人李东平说。
大数据前景广阔,“钱”景堪忧
DCM合伙人曾振宇阐述了投资人看到的大数据目前的现状是这样的:
“我们真正看这个市场的投资机会,可能是在应用层的一些机会。或许在应用层也没有什么机会。为什么呢?真正有大数据的公司数据也不会跟你共享,你有什么好分析的,我与其让你建一个公司分析我的数据,不如把你招进来和我一块工作算了,都是这样的态度。”
华创资本董事总经理曹映雪指出,大数据怎样能变现是业内普遍焦虑的问题。“从运用的角度,包括现在很多大数据说的数据变现问题,基本还是从应用场景上没有找到合适的模式。但在金融领域,金融大数据其实有相对比较好的场景。”他说。
“经常做大数据,不要觉得有一个爬虫技术就不得了,有这个技术的人太多了,关键是你把这个数据扒下来干什么用。”钜铖资本合伙人高云卓说。“利用手里的数据创造高价值,当你面对投资人时说我挖掘出什么东西,我会创造什么价值,也许你现在不赚钱,但只要这条路是对的,投资人一定愿意掏钱。”
对于投资者来说,他们愿意投资哪类大数据应用?“我们偏向应用多一些,如果在存储、算法上有一些特色,能和硬件业务有很好连接的东西,我们也会对基础设施这块有一些投资。”乐基金成都负责人李志说。
与大数据相关的哪些行业值得挖掘?晨创投西南分公司首席代表窦勇认为,“金融可能太大,而且BAT在营销方面已经占了大头,不见得还有机会。”窦勇表示,针对一些垂直领域比如做一些APP,针对区域里边的数据资源做嫁接、挖掘可能会有出路。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型,常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代,市场竞争日趋同质化,用户消费需求愈发个性化、多元化,传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-06-02在市场竞争日趋饱和、用户需求不断细分的当下,企业创业创新、产品迭代与市场拓展不再依赖经验决策,而是需要系统化、工具化的商 ...
2026-06-01【核心关键词】调度、岗位、数据库、企业、报表、培训、程序、数据分析、数据加工、业务部门、企业数据、调度工具、业务指标、 ...
2026-06-01 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-06-01在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25