京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据/SaaS/物联网,2015年的风口在哪里(2)
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
在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06在 CDA(Certified Data Analyst)数据分析师的工作中,“可解释性建模” 与 “业务规则提取” 是核心需求 —— 例如 “预测用户 ...
2025-11-06在分类变量关联分析中(如 “吸烟与肺癌的关系”“性别与疾病发病率的关联”),卡方检验 P 值与 OR 值(比值比,Odds Ratio)是 ...
2025-11-05CDA 数据分析师的核心价值,不在于复杂的模型公式,而在于将数据转化为可落地的商业行动。脱离业务场景的分析只是 “纸上谈兵” ...
2025-11-05教材入口:https://edu.cda.cn/goods/show/3151 “纲举目张,执本末从。” 若想在数据分析领域有所收获,一套合适的学习教材至 ...
2025-11-05教材入口:https://edu.cda.cn/goods/show/3151 “纲举目张,执本末从。” 若想在数据分析领域有所收获,一套合适的学习教材至 ...
2025-11-04【2025最新版】CDA考试教材:CDA教材一级:商业数据分析(2025)__商业数据分析_cda教材_考试教材 (cdaglobal.com) ...
2025-11-04在数字化时代,数据挖掘不再是实验室里的技术探索,而是驱动商业决策的核心能力 —— 它能从海量数据中挖掘出 “降低成本、提升 ...
2025-11-04在 DDPM(Denoising Diffusion Probabilistic Models)训练过程中,开发者最常困惑的问题莫过于:“我的模型 loss 降到多少才算 ...
2025-11-04在 CDA(Certified Data Analyst)数据分析师的工作中,“无监督样本分组” 是高频需求 —— 例如 “将用户按行为特征分为高价值 ...
2025-11-04当沃尔玛数据分析师首次发现 “啤酒与尿布” 的高频共现规律时,他们揭开了数据挖掘最迷人的面纱 —— 那些隐藏在消费行为背后 ...
2025-11-03这个问题精准切中了配对样本统计检验的核心差异点,理解二者区别是避免统计方法误用的关键。核心结论是:stats.ttest_rel(配对 ...
2025-11-03在 CDA(Certified Data Analyst)数据分析师的工作中,“高维数据的潜在规律挖掘” 是进阶需求 —— 例如用户行为包含 “浏览次 ...
2025-11-03