
大数据公司的数据源是未来估值的最重要依据
大数据发展浪潮席卷全球,资本也敏锐追逐着高增长市场。尽管资本市场上对同一家公司的评判标准不一而足,但是对大数据公司而言,探究其成长性的本质,只有一个标准——数据源。
数据源是大数据公司“命脉”
中国的大数据行业,“西学东渐”与本土创新并存。行业内的创业公司有的走西方的成熟模式,技术领衔,主要为大数据落地解决“技术上如何实现”的问题。这一类公司待字“实验室”,是行业的“打工者”,仅作为一个环节,服务于大数据解决方案的设计方,无力左右大数据应用能否最终落地解决实际问题,这使得技术公司实现商业价值的路径颇为被动。
有前景的大数据公司,应该掌握“人无我有”、“人有我优”的数据源,并打通大数据应用落地过程中的每一个关键点,让海量数据源有目的、有路径地进行碰撞匹配,激发出价值。由于数据源是产业链的源头,是发展大数据必然的起点,于是,掌握了数据源的大数据公司“有米可炊”,有“食材”可用,这为后续发挥本土创新提供了无限的可能性:通过吸纳现实需求,提供行动有效的解决方案,更从需求端促发大数据技术的研究开发。
得数据源者,得天下
拥有数据源的大数据公司,将在行业内愈发扮演举足轻重的角色。它联通了各自为政的数据孤岛,实现了社会各领域全行业数据的整合,带动硬件生产商按照数据采集、传输、存储之需求供给服务器,促使软件商研发匹配的数据预处理、分析挖掘、大数据可视化等软件产品,同时,激发变现大数据交易融通的新思维。
是否拥有数据源、数据源保有量以及开发利用水平,成为决定大数据公司未来发展前景、是否具备可持续市场竞争力的关键。随着中国政府数据开放共享的步骤加快、国家大数据战略逐步推进,具备数据源优势、善于在海量数据中挖掘价值的大数据公司,成为行业翘楚只是时间问题。
优质资本已先发布局大数据产业
基于此,投资界将更多目光关注在“数据源”这一关键词,视数据源为谋定大数据公司未来估值最重要的依据,就不足为奇了。那么数据源究竟在哪里呢?
中国有70%的数据是在政府手中,而其中又有80%的政府数据待字闺中,未被开发。所以目前市场上,拿政府大数据项目是所有大数据公司的目标。但是,如果没有技术基础、应用基础,也很难获得政府的青睐,一些技术力量薄弱,场景设计研发能力不强的大数据公司正在逐渐退出市场,而那些拥有数据源的应用类大数据公司,确实获得了中国资本市场更大程度的青睐。2015年曾经发生一起中国大数据创业公司融资史上一件里程碑事件——2010年成立的九次方大数据,先后得到了建银财富、博信资本、东方证券、IDG资本、复朴投资、德同资本、初灵基金、当代东方、键桥通讯等18家基金的投资,两轮融资数额近10亿元,投资规模迄今为止仍然是大数据领域之最。而投资界看好九次方大数据的正是因为对方掌握着核心数据源。
《促进大数据发展行动纲要》计划,中国“到2020年,培育10家国际领先的大数据核心龙头企业,500家大数据应用、服务和产品制造企业”。各级政府在充分发挥积极性,密集释放政策利好,投资界更是在争分夺秒、细致入微地甄选、观察,判断哪些大数据企业将在“十三五”关键的五年间,脱颖而出,成为国际知名的中国大数据品牌。
据了解,该公司在数据源储量、软件著作权专利数量、开发应用场景能力、服务省市地区数量等多个维度领先同业。
《大数据时代》的作者维克托·迈尔·舍恩伯格预言“世界的本质是数据”。大数据是中国的战略性新兴产业,投资界持续看好大数据产业的发展未来,这种趋势明显增强。据不完全统计,至2016年10月底,2016年中国大数据行业有184家企业获得投融资。数据源愈发成为投资界对大数据公司未来估值的最重要依据。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28