京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据创业,绕开BAT,找准红利方可成功
随着大数据时代的到来,其中产业链的红利也将逐渐呈现,催生了诸多相关的创业项目。笔者以一家定义为大数据加工、分析、流通的创业公司“云见”为例,探讨下数据在流通过程中增值的可能性。
大数据的红利在哪?
处在大数据最上游的是数据产生端,其中最有代表性的是BAT这样的企业。与数据生存者对应的另一端是需求端,即服务主体,同样是包括政府、机构、企业、个人。而处在中间的则是数据的处理加工商,如云见这类公司。
那么,红利在哪里呢?首先,数据生产端红利已尽。BAT因为自有数据资源可以自嗨,比如百度有“百度迁徙”、“百度精算”;阿里有 “阿里云”、“支付宝-花呗”;腾讯有 “腾讯云分析”,BAT自产自销模式代表了大部分拥有数据源的玩家。
那么剩下的红利就集中在了中间部分,其中有两种模式:
模式一:与业务场景结合,做产业类平台,如同花顺、恒生电子。
模式二:数据的再加工利用,即从运营商、互联网公司获取原始数据信息来进行分析,再提供给用户关于价值和趋势的信息以换取价值。
相比于模式一的深耕,模式二因为进入门槛、资源要求度都相对较低,所以云见选择以这种形式进行切入。
既然类似云见这样的小微企业,先天没有数据源的优势,那么如何让数据在流通过程中增值呢?
让数据在流通过程中增值的方法
(1)降低数据来源的成本
最普遍的方法包括通过第三方购买数据、爬虫爬回数据、合作方授权数据、免费的开放数据。数据获取中肯定要付出人力、资金成本,所以解决数据源是大数据创业公司首要面临的问题。
目前行业做得较创新的是“数据堂”,这家作为挂牌新三板的第一个大数据资源公司,采用“众包”形式,由服务企业提出需求,数据堂直接通过众客堂采集数据。同时,众客堂用户也是处理数据的方式,可甄别数据真伪和有效性。
当然,相比于成熟型的数据公司,云见还未具备这样的数据采集实力,所以其倾向于用合作授权数据的形式,低成本获得独家数据源。
(2)着眼于未来的数据加工
数据加工包括整理合并、优化、排错等方面,数据本身庞杂无章,精炼后的数据能够发掘其中的规律性而进行精准应用。当然,这只是数据加工的通用价值,大数据创业公司关键要解决数据价值深化或兑现的问题。
云见做出两个选择:
与垂直领域对接发现价值
因为消费升级、移动互联网的人口红利消失,那些大规模的对受众社会属性不加区分的水平产品很难生产。在大数据时代,通用型信息的价值正减小,任何拥有数据加工能力的人都可说出用户画像,但针对垂直领域的数据价值需求则需深耕才能解决。
预测未来比看见现在更重要
云见从成立之初就专注在“算法”上,用模式识别的方式形成自己的经验库以预测用户的未来行为,区别于竞争对手赚解决方案服务费的方式,这也符合其技术驱动型团队的特点——更看中“稳”而不是“快”。
(3)用“mall”的形式
作为大数据元老级公司的“数据堂”15年推出了国内第一家网上数据商城“Data Mall”,数据商城的形式最大化地提高了数据交易效率,简单理解就是在通用的入口,用户可以进行重复消费;同时,平台方通过商城获得接入用户的机会,用户成为“传感器”——作为流量入口,又将数据反馈至商城上,担任消费端和供给端的双重角色。
云见也在筹建这样的“轻模式”,除了上述提及的优势,考虑到基于用户需求的非标准化特性,API接口(应用程序编程接口)本身是很难进行标准化的,所以“mall”的呈现方式在一定程度上解决了API形式上的标准化,同时,“mall”改变了传统打包服务的模式,减少在销售、推广、人力上的成本。
当然,大数据创业的成功还有一部分因素是依赖在大势上。
(4)政策上的大势
2015年7月,国务院办公厅发布《关于运用大数据加强对市场主体服务和监管的若干意见》,这是顺应大数据时代潮流,运用现代信息技术加强政府公共服务和市场监管,推动简政放权和政府职能转变的重要政策文件。
文件表示将充分认识运用大数据加强对市场主体服务和监管的重要性、运用大数据提高为市场主体服务水平、运用大数据加强和改进市场监管、推进政府和社会信息资源开放共享、提高政府运用大数据的能力和积极培育和发展社会化征信服务等。
(5)行业上的机会
目前较有代表性的大数据公司是“数据堂”和“聚合数据”,共同特点是拥有如BAT量级的大B用户。但相当部分的小B企业以及政府决策、公共服务、金融、电信等领域对数据存在需求,再加上数据供给端也出现了多元化的现状,所以大数据行业本身很难做到一家独大,类似于云见这样较小型的数据处理公司还是有机会在其中馋食大数据的红利。
创业的机会在哪里
池静若认为现在大数据产业链才开始发展,大众都把目光聚焦在大数据的两端:一是谁拥有这些数据,二是这些数据到底如何使用。但仅仅在两端是不能解决大数据问题的。
大数据产业的大量机会出现在中间环节,包括采集、聚合、机器学习加工后的数据通过智能管道合法流入到用户的手里。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
一、问题:为什么 ID 会"断号" 很多刚接触 MySQL 的同学都会有一个困惑:表里的主键 ID 是自增的,删了中间几行数据之后,ID 变 ...
2026-10-22一、问题场景:为什么会重复 JOIN 同一个子查询 在写复杂 SQL 时,经常遇到这种需求:同一张表或同一个聚合子查询,要和主表关联 ...
2026-10-22人力资源专员是HR体系的执行入口。招聘信息发布、简历初筛、面试安排、考勤汇总、入离职手续、劳动合同与档案管理,大多由这个岗 ...
2026-10-22人力资源经理问“必学技巧”,真正要解决的不是知识清单不够长,而是时间有限、业务催得紧,学完却用不上。更有效的路径是:先用 ...
2026-10-22内容营销岗位的核心任务,不是“把文案写得更漂亮”,而是围绕目标受众,用持续的内容供给影响认知、推动转化并沉淀复购。它至少 ...
2026-10-22理财经理培训课程很多,难的是判断“先学什么、后学什么、学完能做什么”。与其按课程名称罗列,不如先看岗位任务:客户分层与维 ...
2026-10-22理财经理的知识结构,可以先用一句话概括:合规与产品知识决定“不出错”,客户经营与资产配置决定“够不够专业”,市场研判与数 ...
2026-10-22经济学背景做数据分析,优势不在工具,而在问题意识:供需如何相互作用、成本与收益如何权衡、变量之间是相关还是因果。真正的缺 ...
2026-10-22需要,但要把“需要”理解准确。经济学本身就在处理数据:GDP、物价、就业、企业营收、问卷调研,都是经济分析的原料。真正的区 ...
2026-10-22经济学分析能力不是单一技能,它至少由三层构成:把现实问题转成可检验假设的理论框架能力、用数据与统计方法验证假设的工具能力 ...
2026-10-22金融分析师的知识提升,先补的不是更多模型,而是让结论可复核的底层能力。按任务顺序,大致是四层:财务与业务理解、指标口径管 ...
2026-10-22金融分析师的“通用技能”,指换到不同机构、不同行业组仍用得上的底层能力,而非某家公司内部系统的操作经验。按任务拆,日常要 ...
2026-10-22先给结论:数据分析证书不是金融分析师的准入条件,招聘方也不会因为一张证书就直接判断你能做分析。要不要考,取决于你当前任务 ...
2026-10-22金融分析师的核心技能,不是“会看K线”或“会讲宏观”,而是能把一家公司、一个行业或一类资产,转化为可核查的数据判断与书面 ...
2026-10-22产品经理的知识提升,不是把需求文档、原型、SQL、数据分析、项目管理都学一遍,而是先对准目标岗位的真实任务,找出自己最缺的 ...
2026-10-22产品专员提升工作知识,最有效的方式不是先囤课程,而是围绕日常交付的四件事来补:需求调研与优先级判断、原型与PRD表达、竞品 ...
2026-10-22产品运营专员提升个人能力,常见误区是先把Excel、SQL、Python列成一张学习清单,然后从第一个工具开始学。更有效的做法是先回答 ...
2026-10-22产品运营的能力提升,最怕从“课程目录”出发:今天学增长模型,明天背SQL语法,学完却说不清自己负责的功能为什么激活率低。更 ...
2026-10-22产品经理的技能和影响力不是两条分开的赛道。技能决定你能不能把问题分析清楚、把方案设计对;影响力决定你的判断能否被团队接受 ...
2026-10-22产品经理要学的数据分析能力,不是“会写SQL”或“会用BI工具”这么简单。更准确地说,是围绕需求评估、功能迭代、指标监控、实 ...
2026-10-22