2017年，大數據這把火燒了六年，依然沒有減弱的征兆。過去一年，話題的熱點已經不再是大數據概念和定義，而是集中在大數據的應用。大多數企業老板已經明白什么是大數據，開始關心數據如何與業務結合，提升企業盈利能力。

大數據應用是整個數據產業的核心，也是企業級客戶真正愿意為大數據業務買單的原因。大數據并不神秘，企業在大數據上投入與上個時代企業在硬件設備和ERP等軟件上投入沒有本質區別，都是認為這種投入能幫助它開源節流，解決業務問題。除了數據交易，數據是無法直接給企業貢獻利潤的，數據的價值在于讓企業的主營業務產生更大利潤。

2016-2021年大數據應用行業深度分析及“十三五”發展規劃指導

從全球市場來看，大數據應用占據整個產業的半壁江山。根據Wikibon報告，2016年全球大數據市場規模為452.6億美金，細分領域中行業解決方案和應用這兩類細分市場規模為226.5億美金。目前國內企業在大數據的投入還主要是硬件層和技術層，應用層投入相對較少，但應用層的潛力無疑是巨大的，未來在單個垂直行業都會是千億級市場。

本文是大數據系列第三篇——行業應用，主要想解決以下三個問題：

第一， 大數據在各行各業的應用有哪些?

第二， 大數據應用公司為什么貴?

第三， 哪些大數據公司容易突圍?

要么賣數據，要么賣技術

在大數據應用這個細分市場，最大兩類玩家是大型互聯網企業和大型集成商，他們的實力遠遠超過市面上這些做大數據應用的初創公司。

大型互聯網企業不僅僅是指BAT，還包括TMD(滴滴、今日頭條、美團)等公司，這類企業兼具技術實力和數據源，不過這些企業的技術和數據主要服務自身業務，很少對外輸出。

大型集成商主要是指華為、浪潮這些傳統IT巨頭，他們的傳統業務是為大型企業提供硬件設備，在這過程中積累了大量數據。當他們服務對象的需求發生變化，增加大數據領域預算時，他們開始轉型，積極開展大數據業務。

大型集成商還可以細分成兩類，一類是華為這種自身技術實力很強的公司，他們以單兵作戰為主;另一類是一些技術實力較弱，以搬箱子為主的集成商，這些公司一般會選擇與大數據公司合作，填補其技術短板。

除去上述兩類巨無霸，還有兩類玩家。一類是傳統提供行業解決方案的IT公司轉型開展大數據業務，如中奧科技、美林數據等;另一類是新興大數據公司，如明略數據、昆侖數據等。前者勝在客戶關系和行業經驗，后者則在技術上具備優勢，不過歸根結底，兩類玩家都是要解決客戶在大數據時代遇到的業務問題。

從服務形式上，大數據應用主要有兩種形式：輸出技術和輸出數據。

輸出技術的公司主要是基于自身在數據技術的積累，向客戶提供全套解決方案，提升企業處理數據的能力，實現業務效率提高。明略數據、百分點主要以這種形式為客戶提供服務。

輸出數據的公司主要是基于自身在數據源的積累，向客戶提供數據產品，彌補企業在數據源方面的不足。TalkingData、集奧聚合、聚合數據是這類大數據公司中的佼佼者。

從解決需求上，大數據公司主要解決客戶三方面需求：平臺搭建、數據獲取和應用創新。這三類需求是存在遞進關系的，不同行業信息化程度相差極大，因此主要需求也會有所差異。

企業級客戶經過21世紀前十年的IT投入階段，各業務線的系統基本建成，形成各項業務的數據庫。下一步需要做的是，搭建統一的大數據平臺，打通內部各業務系統，解決數據孤島問題，發揮業務數據的價值。

搭建好大數據平臺，數據統一管理，內部數據互聯基本完成。接下來是要開始逐步對接外部數據，解決外部數據獲取的問題，實現更大規模的數據互聯。

最后，融合多方數據源，探索數據在不同場景下的應用。

金融、零售、電信、政府是當前主要應用方向

中國存在大量信息洼地，行業信息化發展極不平衡。工業、農業等信息化相對落后的行業，尚需打好根基，先將業務數據采集存儲起來，再尋求數據應用。相比之下，金融、零售、電信、政府等領域信息化程度相對較高，出現很多大數據應用案例。

大數據在金融領域的應用主要有以下三類：精準營銷，風險控制以及精細化運營。將金融機構的客戶打上不同的數據標簽，形成個人和企業用戶畫像，再根據不同業務需求，甄別出目標客戶群體。精準營銷主要包括個性化營銷、存量用戶管理、挖掘潛力客戶;風險控制包括個人及企業級信用評估、欺詐交易識別;精細化運營包括產品優化、市場和渠道分析、輿情分析等。

大數據在零售領域的應用與金融領域類似，依然圍繞著精準營銷、渠道管理、產品優化、市場定位等方面。值得注意的是，金融領域主要關注個體數據應用，而零售領域還關注統計數據應用，即大數據市場調查報告，了解消費者喜好，明確產品市場定位。

電信領域，三大運營商占據得天獨厚的優勢，主要將大數據應用于精細化流量運營、智能客服中心、個性化服務和對外數據服務。因為運營商數據價值度很高，開始對外輸出數據，主要提供個人信用數據和位置數據。

隨著《大數據發展概要》的發布，政府開始在大數據領域大力投入，除了建設數據交易中心，提供數據流通的合法途徑外，政府大數據在交通、電子政務、公共安全等領域應用案例頻出。大數據協助公安人員找出嫌疑人員潛在關系，提升破案效率。

大數據無限可能性，提升公司估值

過去兩年，大數據概念熱炒催生出一個又一個泡泡，IT創業公司紛紛轉型成為大數據公司，意圖獲得高估值。從愛分析發布的中國市場大數據企業估值榜來看，估值超過5億美金，PS倍數30-40的大數據公司不少。那么，這些大數據公司為什么這么貴?

其實，提供技術服務的大數據公司估值相對合理，PS倍數略高于SaaS公司，但尚處于合理區間。這些公司業務模式類似傳統IT廠商和軟件公司，同時國外基本有相應的對標公司，公司未來成長路徑一目了然。

主要是與數據源相關、提供數據服務的大數據公司估值普遍較高，資本市場非常看重數據源的價值，主要有以下三點：

第一， 國內數據開放程度低。

國內數據開放程度遠低于美國，這使得電信、政府、BAT等幾個重要數據源價值被放大，有機會掌握或者觸及這類數據源的大數據公司更容易建立自己的競爭壁壘，因為有些時候數據源的價值遠遠高于技術。例如，銀行對個人客戶進行風險甄別時，如果有運營商數據作為佐證，對風控效果的提升非常巨大，而這部分提升只能依賴于數據，技術再強也沒用。

第二， 數據應用尚未成熟

短短五六年，大數據已經對各領域產生深遠的影響，逐漸顛覆人們的認知。但大數據還處于早期探索階段，數據價值尚未完全發揮出來，未來大數據在各行各業的應用遠遠不止當前這些。具備數據源的公司是最有機會挖掘數據新的應用。

第三， 數據服務規模化相對容易

數據服務不同于技術服務，它對人力依賴相對較輕，主要人員投入在數據清洗環節，服務形式更多為API接口，交付上人力投入低。這種業務模式可復制性要強于技術服務，一旦找到適合的應用場景，可以迅速擴展到其他同類別客戶。

不過，高估值只是代表高預期，近年獨角獸公司翻車的案例并不少，哪些大數據應用公司更容易兌現預期呢?

大數據應用定制程度高，規模化困難

先潑一盆冷水，不論是技術服務還是數據服務，都存在服務定制化屬性重，難以形成標準化產品的問題。

本質上，大數據應用公司的業務與傳統咨詢公司類似，都需要針對客戶個性化需求給出解決方案，難以用標準化服務滿足大型客戶的需求。數據科學家的存在類似于傳統咨詢顧問，只不過要求更高。

既然業務無法做到快速復制，重點做大型企業客戶，提升客單價就成為大數據應用公司的必然選擇。

潑完冷水，讓我們看看，究竟哪類大數據公司能夠成為獨角獸?

優質數據源、技術積累、行業標桿客戶，終極目標是數據互聯

大數據應用的業務鏈條，包括數據源、數據技術和數據應用。國外大數據公司可以專注于業務鏈條的一個環節，將一個環節做好就能成長為10億美金以上的獨角獸公司，中國大數據公司如果僅僅做好其中一個環節，業務開展都成問題，發展很容易遇到瓶頸。

一方面，國外初創公司分工明確，多數公司專注于一個細分領域，合作共贏是主流思想。而國內大數據公司都想自己做整條業務線，因此競爭非常激烈。

另一方面，國外中小企業付費意愿明顯強于國內，這使得國外細分領域的市場空間遠遠大于國內，初創公司可以依靠一眾小客戶做到幾億營收，支撐其上市。國內公司就很難依靠一個細分領域的客戶支持其營收增速，必須要擴張其業務線才能有足夠成長空間。

總而言之，國內大數據公司要想成長為獨角獸企業，難度遠大于國外，數據源、數據技術和數據應用三個環節都要有獨特競爭力。

第一， 優質數據源。

大多數大數據公司不具備數據源，主要依靠采集其他企業的數據。像TalkingData為APP軟件提供廣告監測以及數據統計的業務，從而采集到移動設備數據。因此，有機會觸及優質數據源對大數據公司非常重要。

從行業來看，銀行、電信、政府的數據價值很高，這類用戶數據真實性較高，能反映用戶實際需求，而互聯網數據中記錄大量用戶無序行為，有價值數據密度較低;從設備來看，移動端的數據價值要大于PC端，因為智能手機的普及使得移動端用戶行為數據更加活躍，同時可以追蹤用戶地理位置。

第二， 技術積累。

單純依靠數據源并不能構筑競爭壁壘，畢竟這些數據并非大數據公司所有，躺著掙錢的事情是運營商等數據源擁有方。除互聯網客戶外，大數據公司都很難將企業客戶的原始數據提取出來，只能獲取數據標簽。

因此，大數據公司在數據處理上要有很深的積累，特別是在數據清理環節，去除噪音，保留有價值的數據，這部分工作對人力依賴較重，需要數據科學家去識別有效數據。

第三， 行業標桿客戶。

有些時候，服務幾個行業標桿客戶的價值要遠遠超過一支數據科學家團隊。大數據最終還要是落地，數據與場景應用結合發揮價值，既需要處理數據的技術，又具備足夠的行業經驗，準確找到業務痛點。

行業標桿客戶面對的業務問題一般都會是最前沿、最具參考價值的，服務這類客戶會讓大數據企業成長，加深對所服務行業的理解，這一點是大數據公司依靠自身無法提升的，這不是技術上的突破，而是經驗上的積累。

第四， 數據互聯。

經過這幾年對大數據的探索，企業和大數據公司都發現，單一數據源價值度有限，集合多渠道數據，實現數據融合能產生更大能量。例如，將電信數據放在銀行風控業務場景，提高了欺詐行為識別率。

因此，很多公司都在提供DMP服務，將自己的第三方數據源與企業客戶的第一方數據源對接，但實際效果并不理想。

原因主要有以下兩點：第一，雙方的數據源重合度不高;第二，多賬戶歸一做得不好，解決不了同源跨屏問題。前者是因為數據與應用場景不匹配，后者主要是在技術積累不足，數據清洗不到位。

誠然，數據互聯剛剛起步，但能夠打通多個重要數據源的公司最有希望成為獨角獸。