查看原文
其他

TalkingData创始人崔晓波:传统企业数字化转型潜藏巨大机会 | 新龙榜

2017-05-19 人物访谈 爱分析ifenxi

TalkingData是大数据行业标杆,许多大数据公司将其视为竞争对手,但那是创始人崔晓波认为,TalkingData业务综合,国内尚没有竞争对手,并且未来的大数据行业一定是合作共赢。


对于2017年,崔晓波给出了大数据行业最新走向的三点预测,From Analyze to Action、From Data Exchange to Transaction、From Mobile to IoT,针对这三点预测,TalkingData已经开始行动,调整组织结构应对行业变革。


指导 | 凯文

撰写 | 彭晨  李喆


传统企业转型升级为数据驱动,是大势所趋。


过去20年,传统企业主要分为两个和数据相关的部分:业务运营和基础设施。IT归于基础设施部门,而数据又作为IT下级分类,一直没有得到重视。近几年,数据价值日益凸显,亚马逊,Google,Zenga都是披着行业外衣的数据公司。


TalkingData将传统企业数字化转型视为其发展的第三次发展机遇。此前,TalkingData先是借助移动互联网的高速发展积累了海量用户数据;随后,在传统行业头部公司,如招行、平安、银联等,移动化过程中,通过专业服务积累了大量优质客户。


基于这些前期积累,TalkingData已成国内大数据行业标杆。


在帮助传统企业数字化转型这一过程中,TalkingData升级了原有业务组织,将数据交易、数据合作伙伴生态放到了和数据商业化同等重要的位置,形成三个事业单元,每个单元自成体系。


做这个结构调整,无疑放大了企业管理难度,但 TalkingData创始人崔晓波认为,“我们现在选了最难的一条路,但却是数据生态的雏形”。


崔晓波曾任Oracle、BEA中国区高管,深耕企业服务市场十年,深知toB市场单打独斗很难做大,必须对接更多合作伙伴,建立生态。


崔晓波认为,大数据已从线上进入线下环节,进入跑马圈地阶段,比拼的是业务推进速度、深度整合数据能力,因此深度的行业合作必不可少。


近期,崔晓波接受爱分析深度专访,对TalkingData的业务、运营、战略,以及国内外大数据行业发展现状及未来趋势,进行了系统的交流和阐述,特分享如下。


业务与战略 


 

爱分析:过去一年,从你的角度判断,大数据行业有哪些新的变化?


崔晓波:首先是AlphaGo改变了大家对人工智能成熟度的预期,觉得AI走进到生活的方方面面,从市场表现上看也出现了很多公司,比如专门做视觉、感知计算的公司。这是第一个趋势,AI被炒得很热。


另一个是数据类型变丰富。以前客户数据主要是交易数据,现在更加强调客户的人本数据,比如银行、券商,以前只有客户资料和简单的交易数据,没有留存渠道交互数据、客户行为数据、音视频数据,这些数据也有很大空间。

 

爱分析:怎么看2017年大数据行业趋势?


崔晓波:今年,我们对大数据行业有三点预测。


第一点预测,From Analyze to Action,即从分析工具上升到实际为客户解决问题。


现在国内绝大部分数据科技类公司,要么提供工具,要么提供分析,很少能帮客户做业务决策,但是客户要求已经上升到了协助决策层面,如果不能帮客户将数据转化为行动,数据生意就很难持续。


互联网的仗已经打完了,互联网公司通过线上运营积累了大量与场景、人相关的数据,也积累了很多运营数据的能力,现在思考的是如何把这些数据运用到线下、传统行业去,新零售就是典型的例子。


但是,这个愿望想要实现比较难,因为他们对企业服务的意识、体系和能力有限,同时又过于自大。我们看下来,传统企业其实更懂数据怎么应用在行业中,只不过受限于以往框架,没有能力去做而已,需要像TalkingData这样的公司来加速和优化这个过程。


TalkingData已经有这方面实践,与行业客户按照ROI来签约。我们的券商项目开始以开户转化率为衡量指标,信用卡项目以分期业务的比例提升为指标,现金贷业务以转化率提升为指标,地产行业以费效比为考核指标。


第二点预测,From Data Exchange to Transaction,即数据交换向交易转变。


大量的数据交易需求已经产生,BAT之前做了非常多的数据交换平台,但是到最后都没成,原因有两点,首先是数据交易必须要有业务支撑,第二是杀手级数据应用才能驱动数据交易。


因此现在数据交易还在早期阶段,市场上有很多数据交易市场的价值并不大,未来的杀手级数据应用在以下几个场景里。


首先是营销场景。过去营销场景主要是走线上像BAT这样的公司,但现在我们观察到线下行业也开始重塑营销闭环,建立去中介化的流量闭环,这个过程中数据会越来越重要。


其次是金融结合。金融场景需要足够体量和维度的数据支持,因此会比营销慢2-3年。


现在金融行业的很多应用想解决通用需求,比如征信、反欺诈、催缴,但现在时机还不成熟,因为现有数据大多是与人相关的静态信息,不是与场景结合,真正深入业务的话,每一种金融产品都需要单独定制。金融公司虽然开始着手做这部分业务,但是更多的是出于防御目的。


金融场景最大的机会在征信。在这个方面,大公司已经不占优势了,因为规则已经变了,我们了解的最新消息是,征信牌照公司单一股东持股不能超过20%,本身有金融业务的股东持股比例不能超过15%,这意味着征信领域里即将重新洗牌。


最后是医疗场景。这个就更远,是10年之后的事情。


第三点预测,From Mobile to IoT,从移动化到物联网。


很多主流看法是看衰物联网,我们觉得是IoT的发展正在加速。譬如家电领域,以前家电企业做物联网没有动力,装个模块花几十块,增加的只是用户体验,但是如果帮助他们直接降低营销成本,改善产品上市周期,这个改进就非常有价值。


 

爱分析:对应这些趋势,TalkingData有哪些具体动作?


崔晓波:TalkingData去年做了一个看上去有点“伤筋动骨”的结构调整,建立了一整套体系应对2017年市场趋势变化,把所有的业务单元拆成三个事业部,每个单元都有相对独立的售前、销售、咨询、研发。


第一个事业部是数据商业化单元(DCU),类似于传统咨询公司和软件公司,为客户提供基于数据的解决方案;第二个业务单元叫数据交易单元(DTU);第三个单元叫数据应用合作单元(DPU)。


另外在三个业务单元之上有面向客户具体问题的业务团队,我们称之为“F连”。团队中有三类角色,数据分析师、数据科学家和数据产品经理,其中数据科学家不需要很强模型能力,80-90%客户要求在数据整理,建模往往是最简单的方法。

 

爱分析:这三个业务单元中,为什么要单独建立数据交易单元?


崔晓波:我们和应用开发者目前是浅层次的合作,但是从商业模式来看,不利于长期发展,我们更希望跟应用达成深度合作,因此我们做了很大的改进,把数据采集的权利放给开发者,提供定制SDK,做深度数据交换。


我们以前获得的很多数据到目前都没找到价值,这不是数据体量问题,是数据维度不够。这些数据维度隐藏在应用中,拿到这样的数据是有成本的。因此,未来将会有数据交易市场出现,应用服务商他们在合法合规情况下,有偿提供更多维度的数据。

 

爱分析:在外部数据的获取上,TalkingData有什么不同?


崔晓波:市场上所有可以找到的公开数据源,我们都有接入。


包括运营商、金融系统等等不同维度、领域的数据源,都可以在合法合规的前提下,智能数据市场(Smart Data Market),从而实现数据交易交换。


一方面是数据源提供者将自身数据共享出来;另一方面,他们也可以通过我们的数据交易交换平台获取来自其他数据源的数据对自身数据进行补充,完善自有数据的不足。


另外,由于我们深耕行业,有较多的闭环数据应用场景,有很多的独有数据源,例如对车、房、零售我们都有单独的数据源,这是差异化的地方。

 

爱分析:TalkingData数据应用场景集中在哪些领域?


崔晓波:之前讲到数据的核心应用场景是营销、金融和医疗,我们目前集中在营销上,有营销模型和营销理论,这对每个行业都是通用的。


但是不同客户的需求都不一样,对我们来说,我们有能力提供人本数据,重点是与时间、空间这样的场景结合。在什么场景对应什么行为,都有相应规则引擎、场景引擎。


我们基因注定了我们是技术类公司,把数据、算法模型整理好,做业务需要和客户合作。

 

爱分析:主要面向的目标客户有哪些领域?


崔晓波:金融、地产、汽车、零售、航旅、政府等领域客户。

 

爱分析:当初是通过哪些维度来挑选行业的?


崔晓波:首先看总盘子,刚刚提到的几个行业大部分在万亿级别;第二是看数据有没有能力为行业带来影响。

 

爱分析:TalkingData成立了产业基金,主要投资哪些方向?


崔晓波:大概三类。金融行业最多,主要是在为未来布局,比如智能投顾、财富管理、资产配置领域公司,第二是数据源公司,第三是与数据应用相关的公司。

 

爱分析:如何判断一家技术类公司是否值得投资?


崔晓波:主要从业务整合角度看投资。我们评估过的美国数据科技公司有上百家,在投资之前一定会试用它的产品。这些公司中我们深度用过产品的有几十家,如果真要投资,我们还会请客户先试用。


运营与财务 


 

爱分析:TalkingData目前的模式是将咨询+数据服务打包成产品?


崔晓波:业务线分为两类,一类是延续以前的软件和分析服务,包括统计分析平台,数据管理平台,营销云等;第二类是新业务线“F连”,结果驱动,唯一的目的是解决客户问题。


前者是产品导向,采用license、SaaS加咨询模式,咨询比例很小了;后者是按照效果、ROI付费。

 

爱分析:选标杆客户的标准有哪些?


崔晓波:比较复杂,行业影响力是最重要的因素,还有客户推动力度,对问题的理解清晰程度,都是考虑的范围。一般会选择影响力比较大,创新能力比较强的客户,这样有标杆作用。

 

爱分析:不同行业的复制能力怎么样?


崔晓波:我们数据都聚焦在营销场景,营销是相对通用的场景,做的也主要是标准化产品。

 

爱分析:传统业务和新业务两部分收入占比是?


崔晓波:传统业务占比更高,但是新业务增长很快,估计今年新业务占10-15%左右,但是明年希望占到50%。

 

爱分析:一个客户由旧模式迁移到新模式,需要多长时间?


崔晓波:至少半年,前三个月进场整理业务和数据,再三个月做原型验证。

 

爱分析:新业务要求大量人力投入,这是劣势?


崔晓波:今年在我认为有把握的领域小规模上线,随着能力的提升,逐步增加投入,所以对我们冲击不是很大。

 

爱分析:咨询比重很大,可以标准化吗?


崔晓波:在大客户那里不会成为标准化产品的业务场景,会有咨询团队参与,但是在中小客户一般采用标准化SaaS服务,没有咨询团队参与。

 

爱分析:销售模式怎么考虑?靠渠道还是直销?


崔晓波:全部直销。这么多年外企工作经历总结下来,直销在toB是非常重要的销售模式,特别是在复杂解决方案情况下,只有直销才能对市场需求有直接感受并与客户沟通。另外,我们的产品没有那么标准,没办法做到分销。

 

爱分析:目前来看这个市场很分散,直销如何触达客户?


崔晓波:基本还是依靠口碑,美国有些toB公司做的更绝,它们没有销售,每年通过参加会议拿单。

 

爱分析:团队现在规模有多大?


崔晓波:TalkingData现在400多人团队,分布在北京,上海,深圳,硅谷等地。

 

爱分析:科技类公司会特别重视技术研发,TalkingData如何判断研发方向?


崔晓波:对新项目,我的要求就是出原型;对实验室的研发,考核周期会放到一年时间。所有的考核要看项目对业务指标的影响。

 

爱分析:新项目从立项到规模化周期有多长?


崔晓波:不一定,从方案提出到原型出来,基本需要半年以上,再到规模化至少需要一年。

 

爱分析:预期营收增速能达到多少?


崔晓波:三倍,从大前年开始,我就要求每年营收必须3倍增长,未来三年大概也要求这个增速,虽然有挑战,但是确实有机会做得到。

 

爱分析:如何做到每年三倍的增长?大客户的客单价也是2-3倍增长?


崔晓波:基本是这样,举个例子,我们服务的一家银行客户,以前一年付我们60万,现在1000多万,客单价提升很快;还有客户基数也在扩大;第三是SaaS业务增长比较快,我们也不靠项目做增长,还是以产品为主。


三倍是创业公司增长率的一个经验值,保持这样的发展速度才能最小化其他方面的影响。

 

爱分析:对投资人选择怎么考虑?


崔晓波:从我的角度,不止看财务投资人,更多是选择合作者,和团队的理念是否一致。


从大趋势上看,互联网的仗已经打完了,战火会延伸到线下去,比的是谁更快,谁整合数据资源能力更强。我需要迅速整合线上数据资源,做很深度的全量整合,而不是接口数据整合,迅速应用在行业场景,投资还是融资都要符合这个趋势。

 

爱分析:TalkingData还是VIE结构,未来准备海外上市?


崔晓波:主要考虑是美股市场,当然美股也没有对标的公司,我们不像Palantir。Palantir还是家咨询公司。


行业与市场 



爱分析:在数据科技市场,中美之间有哪些差异?


崔晓波:差异非常大。首先体量就不一样,美国数据科技公司有几千家,分布在众多细分领域,国内有产品的公司却不到100家,很多领域都是空白。


其次技术含量也不同。国外技术含量更高,国内喜欢一窝蜂,Hadoop火了就给Hadoop做工具,Spark火了就给Spark做工具,服务类型公司居多,有技术的公司少。


还有商业化路径也不同。国外创业大多是技术背景,但也不用担心商业化问题,因为A、B轮融资的时候董事会就会找商业化的人。


退出渠道也不同,哪怕公司不能上市也可以卖给Google,国内退出比较艰难,BAT也不买技术公司,自己做大对团队要求很高。

 

爱分析:国内非常多公司把自己与Palantir对标,怎么看Palantir这家公司?


崔晓波:我们和Palantir团队交流挺多,大部分公司其实不了解Palantir的发展。按照他们自己说,Palantir是做Data Integration公司,没有数据、算法和产品,只是把最辛苦的事情干到极致。他们团队4000人,没有销售,绝大部分是工程师,1500名工程师在客户现场,500名工程师后端给他们做工具。


一个典型项目投入6-10位工程师,人数与项目规模无关。


Palantir和埃森哲、IBM这类咨询公司很像,但是商业模式并不一样,Palantir更面对问题,解决了问题才能收钱,不像埃森哲、IBM只需要提供方案就可以。


Palantir自己认为最大的问题是产品化,我们和他们交流的时候也指出做大客户永远不会出产品,做到中小客户才出产品,但现在Palantir没有做中小客户的需求,他们业务增长依然很好。


TalkingData 的模式是帮大客户做项目,经验模型放到同行业中小客户形成SaaS产品,这个模式已经跑通。

 

爱分析:Palantir自身盈利情况不是很好,TalkingData如何考虑盈利问题?


崔晓波:理论上软件公司的盈利都来自于稀缺性,很多软件公司竞争的时候都不赚钱,但是做到没有竞争对手时就开始赚钱。


另外,三块业务单独来看,数据商业化单元(DCU)今年已经规模化盈利。

我们的数据与交易单元(DTU),目前亏损,但我们并不担心,因为一旦形成规模化数据交易平台,可以做的空间就很大。


数据应用合作伙伴单元(DPU)今年收入增速是去年的6倍,能保持这么快增长是生态在起作用。这样的分成的收入会越来越多,就类似于Salesforce。建立toB领域的生态,需要有很大的客户基础,同时还需要有合作伙伴贡献高毛利业务。

 

爱分析:大数据行业发展至现在,您是如何看待行业现状的?


崔晓波:单打独斗的时代已经过去,未来肯定需要合作,不管从数据提供方、数据平台,还是服务提供方,大家都会选择合作。


这点可以看Oracle,通过买了PeopleSoft、Siebel、Sun Microsystems自建一个生态,整合在一起却使得整体毛利达到82%。


国内企业也有类似的过程,一家公司首先把核心的能力打造好,然后不断用资本杠杆扩大数据源,增加复用率,整合出一个巨无霸,在中国能够成为一家100亿美元公司,想成为500亿美金甚至千亿美金的公司,必须是一家非常国际化的公司。

 

爱分析:过去两年AI行业非常火,您怎么看AI的发展?


崔晓波:AI、机器学习技术上没那么高大上。AI技术比较规模化的商业应用是无人车,湾区有40-50家团队在做,拿到牌照的近20家,门槛已经很低了,他们改装原型车只需要2个月,中国因为复合型人才少,可能要8个月到1年时间。所以技术没门槛,数据才是门槛。


另外,硅谷的AI开始走非常垂直的应用,而中国还在炒概念,做出东西的公司凤毛麟角。

 

爱分析:未来会有TalkingData的模仿者跑出来?


崔晓波:不会有大的数据平台出来,因为时间点已经过去了。


首先是资金壁垒,我们用免费的服务来引流,通过丰富的变现场景能够支撑起这个成本,数据到了一定体量之后,服务器,带宽等运营成本是个天文数字,早期阶段公司一般支撑不起这么巨大的投入。


第二是目前客户的数据需求没有本质变化,比较适应目前TalkingData的产品体验。基于庞大的数据体量,我们开始输出很多数据产品,比如防作弊、客户画像,反向提供给客户,回馈整个行业。


关注爱分析订阅号(ifenxicom),回复“TalkingData”即可获得完整版报告。





爱分析热文

新龙榜

新龙榜TOP125


新金融

互联网金融TOP100 | 互联网金融TOP50  

金融服务集团TOP20 | 消费金融TOP25       

  财富管理TOP40 |  投资机构TOP30

互联网支付TOP20 | 虎鲸榜TOP50       

   互联网保险TOP25 | 互金概念股TOP30  

创富人物榜TOP50 | 影响力50人         


企业服务

企业服务TOP100 | 企业服务TOP50  

   大数据TOP50 | B2B电商TOP50

    云服务TOP50 | 网络安全TOP30

   大数据影响力50人 | B2B电商影响力50人


其它

出行服务TOP50

人工智能TOP50

教育科技TOP50

移动医疗TOP30

汽配维修TOP20

新零售TOP100

蚂蚁金服 | 滴滴出行 | 陆金所

阿里云 | 京东金融 | 微众银行

神州优车 | WiFi 万能钥匙

捷信调研 翁德雷 · 弗里德里奇访谈

百度金融 | 拉卡拉 | 网信理财

乐信调研 肖文杰访谈

360金融调研 徐军访谈

宜人贷调研 方以涵访谈

金山云 | 51信用卡 | 拍拍贷

360企业安全调研 吴云坤访谈

时空电动 | 达内 | 优必选

找钢网 | UCloud 季昕华访谈

微贷网调研 姚宏访谈

融360调研 叶大清访谈

TalkingData | 51Talk  黄佳佳访谈


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存