京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据企业想要成为行业巨头的5个要素
Navin Chaddha是早期阶段风险投资公司Mayfield的总经理。这家公司目前正在投资的一些公司包括Gigya、Elastica、Lyft、MapR和Poshmark。
随着2014年下半年的到来,大数据俨然已经成为了一种社会主流,它影响了我们的休闲读物、多个产业的格局和面向消费者的应用等各方各面,同时也左右了大批资本的流向。风险投资行业在过去45年的时间内已经见证过许多技术周期——从PC时代的诞生,到主从式架构计算和基于网络计算的发展,还有云端和SaaS模式的崛起,我们对一家公司从创业阶段发展成行业巨头的模式已经形成了一种固有的认知。
根据我们的观察所得,成为一家基业长青的大数据公司需要具备以下的条件:
1. 从平台向生态系统的转换
要了解一个技术平台是否掌握主导地位,最清晰的方式就是看看这个平台的生态系统建立速度有多快。例如在SaaS时代,Salesforce能够快速成为业界领军的原因正是它拥有一个庞大的生态系统。大数据时代也是一样。
在大数据领域有一家叫做MapR的公司发展十分迅速,它就是一个从平台转换成生态系统的例子。作为一家Hadoop平台的服务商,它是唯一能够将开源(社区创新、便携性和灵活性)的优势体现在独特的平台架构升级的公司,为客户提供企业级的可靠性、安全性和性能。
MapR的生态系统不仅融合了新兴的Hadoop开源社区,而且在MapR App Gallery中迅速扩展合作伙伴的解决方案组合。企业客户可以在这个生态系统当中利用现成的大数据工具和应用轻易地部署和扩展大数据方案。
另外一个例子是MongoDB,这是一个业界领先的开源NoSQL数据库,被多家公司用于各种类型的应用当中。MongoDB正在为各行各业的合作伙伴建立一个大规模的生态系统。
2. 解决没有人愿意处理的棘手问题
这并非大数据世界当中最光彩的部分,然而我们相信这种类型的工作会造就许多大公司。在主从式计算的时代,数据整合先驱Informatica在解决复杂的数据整合难题的过程中逐步成为业界巨头,而且在Gartner Data Integration Magic Quadrant当中占据了连续八年领导地位。
在这个领域值得留意的另外一家公司是Trifacta,它的平台可以帮助技术类和非技术类的分析师将原始数据转换成可执行的数据。
3. 在大数据时代彻底改造商业智能,在获取数据的同时提供分析结果
像Business Objects能够帮助行业管理人员获取数据分析的结果,于是它成为了主从式计算时代的行业巨头。我们认为一部分的大数据公司也正在成为像Platfora这样的公司,后者能够在本地部署Hadoop,实现快速获取实时可视化的分析结果。
4. 深入运用专业领域的知识
确保专业领域的宝贵知识能够运用到你的分析应用当中,这样你才能立于不败之地。SAP就是利用这个策略成为了软件行业的巨头。
我们从Palantir这样的大数据分析公司当中看到了这种宝贵的专业知识,这家公司专门为反诈骗和网络安全这些特殊领域提供由人力驱动和机器协助的解决方案,它服务的垂直行业包括国防、保险、医疗和执法等。将机器数据转化成分析结果的Splunk也能体现出这种特质。
5. 利用直观的界面取悦客户
为你的IT和行业客户提供赏心悦目的数据交互界面;理解用户与应用进行交互的方式,不断改进用户体验的细节,做出直观和美观的界面。例如Dropbox在实现了一种简单直观的文件共享方式之后就迅速成长为一家行业巨头,现在它在世界范围内已经拥有超过2亿用户。
能够提供直观界面的大数据公司还包括Tableau,这家公司通过生成可视化内容 查看和理解数据,并从中得出分析结果;还有Elasticsearch,这是一个能够提供快速丰富搜索体验的开源解决方案。
大数据时代的未来
我们还需要关注的另外一个领域是物联网,因为它将会以各种全新的方式提供数据,从而改变技术产业的格局。现在这些数据的来源可以是恒温器、手机和手表,甚至是水杯这样的物品……以后的数据将会来自我们从来没有想过的地方。关于数据的所有权、生命周期和提取的全部观念都要经过重新定义,届时将会催生出一大批新的公司。这将会掀起新一轮的创新大潮,公司会推出一些以前从来没有想象过的全新产品和服务,而现有的产品和服务将会改写。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16