本篇教程介绍了大数据应用之不懂大数据 何谈B2B，希望阅读本篇文章以后大家有所收获，帮助大家对大数据云计算大数据应用的理解更加深入。

<

    大数据并不只是一个传说，看这里，你会快速对大数据的趋势有所感知。

    由于物联网和移动设备的快速发展，人类社会在过去两年里生成了全世界90%的数据。数据收集、存储和分析的成本骤降。

    如今，各个行业都在借助由数据驱动的行业洞察，获得竞争优势。

    大数据的未来前景更加宏大：为体量最大的行业拓宽视野，解决世界上一些最复杂的难题。

    创业者和投资人应该从何种宏观角度来把握大数据的前景？

    文内数据为全球及美国市场情况，但相信对于中国市场有同样的借鉴意义。

    本文PPT来自硅谷银行分析团队（SVB Analytics）最新的分析报告《大数据的下一步棋：把握大数据的前景》， 由浦发硅谷银行提供。文字部分由网易创业Club解说。

    【第一部分：数据激增】

 
    由于处理成本、存储成本的大幅下降，网络传输能力的大幅增强，数据的产生、处理和收集数量都在呈现指数级的增长趋势。

    数据人才需求四年翻三番。说明有更多的商业场景需要进行数据的收集、分析。这和始于2010年左右的移动端全球性普及趋势基本重合。考虑到企业级服务的兴起，未来的数据人才需求会更加旺盛。

    【第二部分：大数据业务成为美国VC的关注重点】

    针对大数据公司的风险投资从2010年的10亿美元增长到了2014年的50亿美元，年内交易数量从150增长到了500起。

    尽管现在大家都开始说B2B的风口来了，事实上我们从数据可以看到，美国风险投资界在过去5年里对大数据分析公司的投资额度增长了大约17倍而对B2B服务型公司的投资额度仅仅增长了3倍。

    当然，由于美国B2B服务的风险投资体量本身就很大，所以这并不是特别直接的对比方式。

    不过，这也能够从一个侧面体现出大数据业务的发展势头。

    在不同的融资规模所代表的不同融资阶段里，大数据公司的估值水平都明显高于科技类公司的平均估值。

    这说明投资人非常看好大数据领域从而可以容忍较高的进入价格。

    需要提醒注意的是，所有各个融资阶段的大数据公司估值都高于科技公司平均估值水平。

    【第三部分：大数据2.0，一个更大的漏斗模型】

    图中给出的是一个漏斗模型，相信搞产品、搞运营、搞销售、搞战略的同学们对此并不陌生。

    由于IoT（物联网）的逐步成为现实，漏洞入口的数据来源正在以及将要呈现爆发性的增长。

    物理硬件性能以及计算能力的高速发展让数据的收集、存储和处理成本大幅下降，数据处理方式和速度大幅提升，这让可以被处理的数据数目和类型发生不可想象的增长和变异。

    由于上述一系列的能力提升背景，“传统”行业的数据分析范围和应用场景更加多样化，分析价值也越来越大。

    大数据应用行业举例：零售、网络安全、广告、金融服务、农业、旅游与住宿、医疗健康、能源、金融服务。

    可见，大数据可以应用的行业覆盖了2B、2C的多个甚至是所有的重要领域。

    使用场景举例，硅谷银行在这里举了广告精准投放、网络欺诈安全、传感器--运营优化三个例子。我们已经可以在国内看到在几方面做的比较突出的大数据及SaaS服务创业公司了。

    【第四部分 大数据的跨行业应用，创业投资机遇在哪里？】

    硅谷银行将大数据的针对不同行业以三个维度做了成熟指数测算。

    三个维度分别是：对数据的监管程度；数据捕获的难易度；技术整合的程度。

    前面两个维度反映了数据来源的丰富及深入度，如果太难的话，在应用方面会受到限制。

    对于体量庞大的行业而言，目前的大数据应用成熟度越低，未来的发展空间越大。

    相对成熟的市场：

    相比较而言，网络安全、广告、旅游住宿行业是“较小”的市场（2000-3000亿美元），它们的大数据渗透率比较高。

    零售业由于线上零售发展多年，因此是一个有复杂大数据分析积淀的巨型市场（9000亿美元）。

    更有潜力的市场：

    农业虽然是个“小市场”但受制于数据收集的难度、分析技术的限制，目前还处于比较初期的阶段。

    金融服务、医疗保健这样的大市场显然是所有人都会关注的大数据应用市场。但由于对数据的监管力度大、数据的获取难度高，所以仍然是一个发展远不完善的大数据市场。

    这里，较为成熟的广告行业大数据早期公司获得风投的青睐越来越少了，而医疗健康类的早期大数据公司则开始获得更多风投的青睐。

    这个趋势和各个行业大数据应用的成熟度密切相关。

    风投在考虑趋势的时候会密切关注潜在发展空间是否足够大和限制因素是否可以被解决。

    【第五部分：总结，云和机器学习是大数据的未来】

    所谓“云”，要看大数据公司的云是否能够把目标客户放在公有云上的数据联动起来形成一个生态系统。

    所谓“机器学习”，要看大数据公司的机器分析能力是否会随着数据数量和类型的增加、硬件性能的提升而更具洞察力。
       
          

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标大数据云计算大数据应用频道！