未来十年人工智技术能把控在他们手里

数据智能时代下的数据行业生态全景：业务分类、玩家分类和速赢关键因素和策略数据智能平台/数据中台需要在数据加工程度和软件工具、客制化和标准化中找到一 个平衡。

每一家数据行业的在位企业都需要思考两个问题：数据还是软件，哪一个才是自己的 护城河？标准还是服务，哪一个才是竞争中的致胜法宝？每一家企业进入数据行业的起点不同， 资源禀赋不同，发展的路径也不一样。大致来说（如下图7所示），数据行业包含以下几类典 型的业务类型，它们的商业模式也是比较常见的：

1.数据源：数据源业务就是对于原始数据的采集、整理和加工，对于原始数据的占有是这类业 务的主要利润来源，一般是以数据使用量、年费或者月费的形式来前端变现。运营商和大型的 流量主是典型的数据源业务运营者。

2.数据交易：数据交易对于数据本身没有较多的加工和改变，但促进了数据的流通及交叉价值。 数据交易的商业模式主要是通过管理费和交易佣金来形成收入。

3.MI（市场智能）：基于对某些行业的深入了解，对数据进行加工并形成报告、咨询服务等。主 要的商业模式是公开报告的售卖和定制化报告咨询服务。

4.SaaS：SaaS类服务是向外提供软件工具类、或者标准化的服务，一般来说都是按照账号进行计费。SaaS类服务一般集中解决某个垂直领域的问题。

5.数据产品：一般来说是向外提供的标准化的数据包、或数据分析结果，并有产品的界面供客 户进行需求的沟通和选择。

6.解决方案：解决方案通常包括了数据本身、技术工具以及相应的咨询服务。一般来说，解决 方案提供商都是以项目的形式，通过渠道商或者客户企业项目的采购流程实现商业化。

数据智能平台是一种新物种，需要与之适应的新的商业模式。不同于普通的平台类企业，数据 智能平台需要同时包含数据、工具、算法和服务多个要素，不同要素的组合需要通过不同的商 业模式进行变现，甚至会改变价值分布、突破传统的、单向的客户关系甚至是竞争关系。

因此 数据智能平台需要更加开放和灵活的商业模式支持不同行业、不同业务和不同定位的合作伙伴 进行合作，形成协同作用。大型企业在做数据智能平台的过程中，就因为灵活的合作诞生了强 大的数据智能产品或者特别的服务类型：以Google为例，Google生态中的Niantic Labs与任 天堂的数据与技术合作推出了风靡全球的Pokemon go；百度生态中的百度联盟以平台为支撑， 与广告生态商进行数据合作，成为国内大的网盟之一；苹果移动设备的功能生态与 IBM达成 合作，通过IBM的集客资源与大数据能力，打造更加垂直的商业应用功能等等。

因此在数据智能时代，我们可以将行业内部的在位企业分为如下的几类玩家，他们的速赢关键 因素和策略分别是：

1.天然数据源，入口占有者：天然数据源例如运营商、大流量的互联网平台等等，也就是采集 原始数据的环节，即把握数据供给与需求端口的企业。这类企业的速赢关键因素是数据和需求 的察觉和采集。每个行业都在生产不同类型的数据，但是数据类型单一，数据缺乏系统的治理， 无法形成数据资产，在企业应用数据的过程中，不可避免地需要各种外部数据，这就产生了数 据需求。一些公司针对这种情况，着眼于对数据的治理、汇集，理解与采集不同行业的数据需 求，构建数据市场，并且针对外部数据进行汇集、治理、分析，产生更具价值的数据，累积属 于自己的数据资产。当这部分数据资产积累到一定程度，就会形成数据壁垒，掌握上下游玩家 的数据流向。目前天然数据源类企业的一大趋势是向数据交易市场转变。新环境需要新的策略， 背靠大树无疑是为高效。随着新法实施，个人数据只有在授权后才被允许进行交易和流通， 数据源公司天然具备数据的授权，其他第三方公司则会受到政策影响需要政府进行扶持。此类 以数据资源驱动的公司在未来或将取得长足发展。需求导向的应用型数据交易市场正在兴起， 如银行、保险及证券行业作为金融征信相关数据需求方，通过数据交易，可以让数据流通起来， 交叉及关联后的数据将发挥更大价值。虽然此行业受政策影响较大，但是数据源公司的天然优势， 能够使其长期地稳占此利基市场。

速赢关键因素和策略：这类企业的速赢关键因素是数据的独特性。同时此类企业需要重视与各 行业的业务人员交流，将数据与商业场景打通，有目的性地收集有价值的数据；在数据量爆发 式增长的背景下，重视数据治理与数据安全环节，提高数据利用效率，节约数据存储成本，减 少数据违规风险。

2.数据加工者，数据淘金者：例如数据标记企业、数据连接服务企业等，这类企业能够进一步 地提高数据的价值，通过大规模的工厂式的工作流程与人员培养方式形成面向情境或商业问题 的标记数据集，在数据行业进行劳动力密集型工作，边际利润低。这类企业的发展趋势是机器 自动标记会逐渐替代人工标记，而有高知识含量的专业人工标记（例如x光胸片）又无法通过 段时间的培训来实现。

速赢关键因素和策略：重视数据汇聚和加工流程的自动化，在同样做脏活、累活的情况下，如 何做到加工质量高、效率快是建立行业壁垒的关键。同时在某一个领域积累专业经验，构建专 业知识库，以形成面向专业问题的高质量数据集。

3.

4.数据分析和建模，算法服务提供者：例如新型MI公司，或者专门的算法服务公司，没有自主 数据但拥有算法或者行业分析的经验并提供服务的企业。由于开源社区的活跃，算法本身已经 无法形成较高的竞争壁垒。很多开源算法包已经能够满足用户的需求，但是开源的算法在某些 场景下并不能很好的发挥作用，所以有些公司仍然提供更加专业的算法模型训练服务，以帮助 企业规避模型训练带来的风险和成本，如果客户对模型结果不满意，就不收费。这类公司拥有 专业的数学、工程方面的人才，通常对某些问题有自己的解决方案，在算法的优化，模型的训 练上积累了大量的经验，从而能够提供高效优质的服务。这种类型的企业的发展趋势是会出现 数据集搜索引擎以及相应的模型市场，由于算法科学方面人才的紧缺，有些平台可以让算法科学家把自己研究的算法代码放上去，使用者按照调用次数付费。或者一些新型的MI公司，会将 自己算法固化在数据产品之中，向客户提供自助查询服务。

速赢关键因素和策略：这类企业的速赢关键因素是算法和模型的可复制性、可扩展性；以及算 法和模型开发的速度。重视数据科学人才的吸纳与培养，增强算法的可复制性、可扩展性，加 快算法开发的速度，是这些企业的核心制胜要素，在获取客户信任的基础上，与客户形成按效 果分成的合作关系同样不容忽视。

5.数据专业工具集和通用技术的开发者：例如数据安全类技术企业，过去大型企业对数据安全 的需求停留在合规上，重心正转向解决实际的安全问题，因此，大数据驱动的安全理念将对传 统信息安全市场产生巨大冲击，并将在未来呈现爆发式增长。还有一些在数据处理、模型探索 等方面提供工具的SaaS类企业也属于这一类，通过对某一个工具的悉心研发和不断迭代，形成 某一类专用工具或者通用技术的研发，为其他企业提供技术的支持。开源平台的普及使得纯工 具和技术的开发类企业越来越少，更多的现实状况是大型的企业能够支持通用性技术的开发并 进行免费开源，普惠行业其他参与者。

速赢关键因素和策略：对于某一类特定使用工具的理解和基础技术的积累，以及相应研发人员 的培养是这类企业的关键因素。

6.垂直类数据产品企业：这类企业往往规模不大，小而美且专。其中既包括传统数据产品，也 包括数据智能产品。数据智能产品特指对某一个行业领域深度了解，并且能够用数据产品解决 特定客户需求的企业，而且这类需求具有明显的行业特征与商业情境特征，例如互联网开发者 的广告监测、住宅类房地产企业的前策，或是零售类企业的选址，这些产品都能解决某一个特 定情境的决策，在产品级别形成价值闭环。

速赢关键因素和策略：对于某一类特定商业情境中商业决策的深度理解和经验积累，培养强大 的数据产品经理，具备对于不同资源、能力、算法的整合能力。

7.数据智能平台/数据中台类企业，生态赋能者：这类企业往往打通数据智能的整个生命周期， 从数据收集、汇聚、处理、探索，到生产和工程化，将实验室中的数据真正地和商业情境对接， 形成自动化的企业。数据智能平台/数据中台类企业具有智能赋能特点——撬动监管资源，拥有 灵活的商业模式；也有价值传递环节的特点——支持整个链条快速传递的能力。每个数据智能 平台/数据平台有不同的特点，即具备不同的能力集合，以开放、中立的态度与客户及合作伙 伴共同探索。这类玩家能够建立起跨行业、跨业态，贯穿数据生命周期的数据平台、分析平台 以及应用平台。这类公司通常具备极强的数据智能平台技术能力（包括连接、共享、安全、管理、

科学与工程等），通过平台向合作伙伴提供数据整合能力、数据分析的算法能力；并终在平 台上实现横向差异化、纵向专业一体化的数据智能应用的能力。

速赢关键因素和策略：数据智能平台玩家快速建立行业壁垒、形成竞争优势的核心是：一是具 备强大的数据平台与自有数据优势，支撑生态合作伙伴的数据流通，帮助生态上的合作伙伴进 行数据交换与整合，加速完整的数据视图的构建，实现各场景化数据的有效支撑；二是具备较 强自有数据科学和数据工程优势，与合作伙伴进行能力互补，依托合作伙伴在垂直领域的专业性， 快速构建行业智能数据分析能力，实现对多维度数据的钻取，加速从数据到数据价值挖掘的进程； 三是具备较强的客户渠道优势或品牌优势，以合作伙伴为应用验证场景，加速垂直领域智能数 据应用的形成，快速复制并输出。

閱讀更多 科技早飯 的文章

關鍵字: Google 大数据 数据