热点事件每天有，段子手在民间~每次爆出些热点事件后，网友评论也是一个比一个精彩~下面就和大家一起看下引发了不少网友讨论的【1500套+64套国网+南网PPT模板大全】，这条新闻短短1小时内已经收到了1244条评论，有人表示质疑，有人赞同，有人甚至还在评论区激烈讨论了起来，来看看这到底是怎么一回事儿吧~

电力人的福利，你的工作总结+年终汇报+新年计划+述职报告+岗位竞聘，你想要的PPT模板这次全都有有有有有了！今天送你们1564套。

小编为大家精心整理了一些网友的精彩评论，快来看一看~

有网友点评道“模板很不错”：

@穷山恶水只出刁民 : 模板很不错，1564，非常感谢！

@落雪雁 : 1564模板非常棒

点评“ppt”的：

@最酷拉土车 : 大数据时代，我今天上班在做PPT资料，这就给我推送了

@xlingxl : 烦请回复正文开头那两张图片的模板编号，下载的压缩包里未发现这两套ppt，谢谢。

不只这些，该话题还吸引了更多大神，下面大家感受下热烈的氛围！

@幽幽兰野 : 已收到谢谢！

@何金水 : 1564，麻烦了，谢谢

@徐敏佳 : 模板很需要，1564，谢谢

@猛回头 : 1564，非常感谢！谢谢分享

每次看网友回复，小编都深深的折服！@你，想说点什么呢？说说吧！

相关搜索

• ppt模板百度云
• 个人简历模板
• 述职报告格式
• ppt模板怎么导入
• 述职报告ppt模板
• ppt模板图片

奇迹机器人，专业的智能人机交互解决方案提供商

市场需求及解决方案

智能穿戴设备-多场景需要解放双手 智能家居-人机交互方案不完善

实体机器人-进入我们的生活 企业客服-大量重复的客户咨询

奇迹机器人-可定制机器人云平台

强大的引擎性能，准确率和知识库规模业内领先

自定义知识库：定制专属智能机器人；行业知识库：加速机器人定制速度

整合桌面网站、移动网站、微信、微博、APP多重渠道，机器人三分钟接入

奇迹机器人有什么优势？

前沿语义解析理论支撑：人工神经网络与统计自然语言处理结合，准确率领先

奇迹自有测试知识库，语料规模~5万句，集外测试准确率~85%。

卡拉测试语料（小数据集合），准确率89%

基础聊天库（大数据集合），准确率85%。数据规模对准确率的影响不大

如何自动识别同义句，减少用户编写同义句数量？ 一直是行业痛点

奇智机器人拥有强大的泛化能力，无需大量编写同义句。

奇迹机器人问答速度与知识库规模无关，大约为100ms，算法复杂度O(1)

先从大规模备选答案中，找到nBest个候选答案；然后用语义解析算法确定最佳答案。

奇迹机器人包含日常对话、百科全书、社区问答等通用知识库

针对电商和银行领域，提供业内独有的行业库服务

如何低成本的快速的定制知识点，一直是机器人行业的痛点

奇迹知识库智能迭代方案：自动发现新知识，同义句智能学习

奇迹机器人性能在业内处于领先位置

专注可定制化机器人，避免与百度、微软等巨头直接竞争

市场前景和定位是什么？

市场现状：语音行业垄断明显，技术公开，成本低。语义行业处于起步阶段，市场格局尚未形成。

市场前景

奇迹机器人有广泛的应用场景：智能客服、教育、医疗、智能家居、语音助手、实体机器人等等。

发展轨迹和运营现状

公司发展轨迹

公司发展规划

融资需求与资金规划

谢谢

雷帝网 雷建平 7月21日报道

极光大数据日前递交招股书，路演PPT也随之曝光。路演PPT显示，极光大数据上市地点为纳斯达克，股票代码为JG。

极光大数据发行区间为8.5到10.5美元每ADS，预计2018年7月25日公布最终的发行价。

招股书显示，极光大数据2016年、2017年、2017年第一季度、2018年第一季度营收分别为7032万元、2.85亿元（4539万美元）、3199万元、1.26亿元（2015万美元）。

极光大数据2016年、2017年、2017年第一季度、2018年第一季净亏分别为6138万、9029万（1439万美元）、2200万元、2213万元（353万美元）。

2012年，极光大数据旗下核心产品极光推送（JPush）正式问世，2014年，获得IDG资本领投的400万美金A轮融资。

2015，完成由复星锐正领投、IDG和Mandra Capital跟投的B轮千万美金融资。

此后，极光大数据将品牌升级为“极光”，完成由国海证券、TCL、复星、金光集团、汉鼎宇佑等数千万美元C轮融资，业务拓展至开发者服务、精准营销和数据服务三大体系。

2017年，极光大数据获富达国际(Fidelity International)数千万美元D轮投资。

极光大数据CEO为罗伟东，当前罗伟东持股34.2%。极光大数据联合创始人兼总裁陈菲持股7%，陈菲加盟前，曾为原花旗董事总经理、TMT中国区负责人。

以下是极光大数据路演PPT（雷帝网精编处理）：

极光大数据发行的摘要信息

出席路演的“极光”大数据高层，包括CEO罗伟东、总裁陈菲

路演的三个板块，公司概况、投资亮点和财务亮点

公司使命

极光大数据是一个移动互联网大数据方案解决平台

极光大数据的5项服务

极光大数据的一些数据来源，列举了微信、QQ、淘宝、爱奇艺、支付宝、腾讯视频、搜狗搜索、新浪微博、腾讯QQ浏览器等。

极光大数据的大数据解决方案

解决方案和关键优势

目标市场，如何运作

解决方案和收入模型

收入模型

收入模型

为新浪、B站、星巴克、腾讯、百度、滴滴、OFO等提供解决方案

6大财务亮点

提供的服务

数据的延伸

提供的技术

大数据解决方案背后的AI和机器学习

多样性和灵活性的商业解决模型

管理层介绍，复星、IDG等都是股东

极光大数据的增长策略

极光大数据的收入模型

增强用户活跃

收入增长与毛利改善情况

长期的财务目标

现金流使用情况

收入情况

财务数据

现金流情况

GAAP情况

—————————————————

雷帝触网由资深媒体人雷建平创办，若转载请写明来源。

如果数据仓库领域没有革新性的变化，人力是不会被解放出来的，整个行业也不会发生根本性的改变。Kyligence Enterprise v3.0 将引领数据仓库发展新方向，为数据仓库行业带去融合、智能、开放的力量。

本文由 Kyligence CEO 韩卿（Luke Han）在 Kyligence B 轮融资暨新产品发布会上的演讲内容整理而来，共 4,004 字，阅读大概需要 12 分钟。

非常感谢大家来参加今天的发布会，Kyligence 这两年的快速发展离不开在座的各位投资人、客户、合作伙伴和媒体朋友的大力支持和携手并进，在今天这个特殊的日子里，很荣幸和大家一起见证 Kyligence 的 B 轮融资和新产品发布。接下来，我主要向大家介绍一下我们融合、智能、开放的大数据分析平台 Kyligence Enterprise v3.0 及Kyligence Cloud v2.0 ,以及 Kyligence 产品设计的方法论。

1

融合智能开放的大数据分析平台

1.1

数据仓库进化史

我们知道，数据仓库的发展已经超过三十年了，最早的时候我们叫它数据集市，那时候它和应用系统是分开的，所以用户做分析做工程时，基本上是从每块业务数据那里直接把数据拿过来进行分析就行了。这样操作的问题在于，要把这么多不同的业务数据整合到一起是一个巨大的挑战。

所以在1990年前后，数据仓库技术理论被提出，这个理论认为我们应该把各个分散的业务数据整合起来，构建一个统一的数据仓库，为企业分析和应用分析提供一个统一的平台，企业能够在这个平台上构建整个分析应用。

这样的一个技术，在今天已经变成了绝大部分行业客户的基础技术，像金融、运营商、零售等行业的业务分析都已经构建在这样的基础技术之上了。

举个例子，银行要进行各种各样的分析，尤其是风控分析，都需要建立在对不同业务模块数据的统一分析之上。

2006年左右开始，数据仓库领域出现了一个新的挑战——各大企业的数据体量变得越来越大，在存储的成本和性能上，原有的数据仓库技术已经不能满足企业快速增长的业务需求。

随着大数据的出现，数据仓库慢慢演化成了数据湖的概念。

而近两年，云计算蓬勃发展，各个领域的企业都纷纷开始上云，由此很多的数据不断地大量涌现，如果要在云上建一个分析仓库，对于企业的挑战，不仅在于这么多的分公司拥有极大的数据体量，而且需要进行跨地域的数据整合，这感觉又回到了2006年面临的数仓挑战。

1.2

下一代数据仓库是什么样子

解答这个问题前，我们先回到另外一个话题，那就是企业构建传统数据仓库通常会遇到的问题和挑战。

传统数据仓库大量的构建模式是基于以往的理论基础之上开始ETL，即数据进来之后我要聚合、我要转换、我要到哪个地方去，甚至需要对不同来源的数据进行分析。

通过漫长数据转换过程之后，把转换后的数据放到数据仓库里，最后基于这样的仓库，企业还要建非常多的分析模型、报表、预测，通常这样的项目往往要耗费大量人力和时间，花费好几个月，甚至用年来计算。

我相信，来自银行业的同事们深有感触，构建项目的人力、时间、金钱的成本都非常高，而且需要耗费大量的人力去做重复性的工作。

于是，业界推出了依靠更加专业的数据科学家来解决问题的解决方案，但其实本质上还是在依赖大量的人工进行工作，如果没有革新性的变化的话，人力是不会被解放出来的，那这个行业也不会发生根本性的改变。

在前两年有一篇分析报告，他们认为AI分析是未来数据发展的方向，这个方向一定是基于智能化以及自动化。确实，人的能力是用来做决策的，而不是用来每天做重复性劳动工作的。我相信这里有非常多的朋友在过去工作中有大量的时间做重复性的工作，这些重复性的工作应该交给我们的机器去做，机器是最擅长从这种重复性的工作里认知它的模式，去进行自动化处理。

1.3

Kyligence Enterprise v3.0

融合数据仓库架构

我今天给大家介绍的我们的最新产品 KyligenceEnterprise v3.0，是我们带来的融合、智能的大数据分析平台，我们希望这个平台能为整个行业带来变革。

Kyligence Enterprise v3.0 会解决传统数据仓库与大数据的融合难题，通过它，我们的业务用户、分析用户不再需要知道所有的 EDW 或 Data Lake 在什么地方，他只需要和我们的 Kyligence Enterprise 打交道就行。同样的平台，我们支持历史数据和实时数据的融合，可以更快地支撑企业整个业务的发展。

同样，我们还可以支撑本地与云计算的融合，在同一个企业之下，你可以解决本地数据与云端数据的整合问题，这就是我们今天带来的第一个话题：“融合”。

1.4

Kyligence Enterprise v3.0

智能数据仓库架构

相信各位进行网购时，都会遇到一个有意思的事情，就是系统会根据你以往的购买记录猜测你对什么东西感兴趣，经常给你推荐一些产品。通过大量技术，分析你的历史购买记录、点击记录，它能大概率猜出你喜欢什么。同样的技术，为什么不能应用在数据仓库的应用呢？

1.5

为什么重复的工作适合AI做？

具体可以看一下我们的架构。

在新版 KyligenceEnterprise 上，通过对分析师行为的理解，以及数据本身的情况，我们的引擎可以非常好地识别企业的分析模式。在识别了分析模式后，我们有相应的自动建模功能，自动化帮你建模和储存，帮助企业在经济与成本之间取得一个最佳平衡，最终做到使用一个智能的、统一的分析平台满足用户从聚合性查询到实时性的查询需求，从数据的分析到数据挖掘服务。

所以，我们讲的下一代数据仓库，一定是融合的、智能的数据仓库，通过将这些技术应用到数据仓库本身的技术变革中，为各个产业带来变革。

你可以看到，KyligenceEnterprise 可以对接各种各样的分析应用，同时我们也可以整合传统的数据仓库，我们的分析平台拥有自主的高性能的存储引擎，这个引擎同样支持全面的自动化。我们也有全面升级的并行查询引擎，可以将上亿规模级别的明细数据快速地应用到查询平台上。

另外，整个的智能化建模在 KyligenceEnterprise 上做得非常多，通常你只要提供一个分析的历史记录，我们的背后引擎就会基于这样的历史记录，自动化地去分析和推荐合适的模型。以前各种各样的靠人工，靠专家支持的调优，现在可以基于机器的自动化学习和匹配做到。

今天，我们看到新版的 Kyligence Enterprise 有更大的性能提升和更低的空间存储，这些都是极大的突破。

1.6

Kyligence Cloud v2.0

助力企业平滑上云

另外，我非常高兴地告诉大家，基于 KyligenceCloud v2.0 的产品已经可以在整个云平台上使用。

在云平台上除了可以使用刚才提到的特性，依托于云计算本身的特性，Kyligence Cloud v2.0 还提供了一键部署、自动伸缩等性能，使得我们的客户可以将他的分析应用平滑上云，而整个的这个过程，你的业务分析人员就可以直接操作。这对于企业而言非常非常重要，它可以快速地反馈你的业务变化。

整个云平台，我们可以看到核心还是我们 Kyligence Cloud，我们可以将云上的数据存储，甚至是云上的数据处理都提供一键化的部署，同时，在整个前端的分析应用过程中，我们的用户不需要写一行代码，你不需要让你的分析师了解代码，他只需要知道什么是分析、什么是报表，他依然可以沿用他熟悉的电子表格等方式去进行分析。

给大家看一下核心功能，弹性伸缩。在云上资源相对来说非常的贵，我们可以支撑到今天的特性是在数据洪峰过来之前，我们可以进行自动扩容，处理完成后又可以把它关掉，这样可以节省大量无效的占用。

今天，KyligenceCloud 在三大公有云的平台上，可以做到30分钟完成全球部署，这对于中国企业出海非常重要。我们最近已经有好几个客户，他们在做国际化的过程中，受限于各种各样的原因，以及他们在海外的业务增长，大量的数据没有办法在国内进行分析，这时候，一套本地和云上统一的分析服务就极其重要。

2

方法论

2.1

好的产品必须依据于好的方法论

方法论在整个的行业里是极其重要的，这在过去的几十年里面是经久不衰的方式。一个好的产品，必须依据于好的方法论，依托于相应的专业服务，才能真正地产生价值。

今天我给大家介绍一下 Kyligence 的融合数据仓库方法论，我们整个方法论会从自动化、智能化等方面带来指导。

第一个是敏捷，今天，一个敏捷的方式方法是支撑整个数据变化最重要的方式。

第二是扩展性，如何在整个的数据构建过程中提供扩展的能力，需要提前在设计过程中设计好。

第三个是治理，数据的治理是一个数据项目成功的基础基石，数据治理关注如何将数据价值以及行业的最佳实践运用成功。

第四个是自动化，通过这样的方法论，我们会去赋能我们的合作伙伴和客户，为他们的数据分析过程以及项目带来更好的提升。

2.2

开放的技术架构

纵观软件行业整个过去发展的历史，只有开放的技术架构，才能取得成功。

首先，开源是第一位，Apache Kylin 是来自中国的第一个国际顶级开源项目，我们会大力地投入 Apache Kylin 社区，我们的 Kylin 技术会有更强的分析能力、更多的存储模式，我们会在更多方面提供支持。下一步，我们会持续大量地投入社区，在这样开源、开放的过程中，我们在未来一年里将会有大量新的产品出现，带来更强的分析能力。

第二，我们已经将我们的产品打造成了一个开放的平台，今天我们已经实现了多种可接入的数据源，这些数据源可以直接对接我们的大数据平台，未来，我们还会和合作伙伴加强这方面的交流，帮助我们扩展我们的数据源。

另外，数据进来后，基于大的业务应用场景，我们提供了一个支持扩展的可视化功能，例如我们近期将提供一个基于 Superset 的SDK，这会解决 Superset 与我们产品后台的兼容性问题。所以，不管是业务审核问题还是业务的定制化问题，我们都将全面开放我们的合作伙伴生态体系。

2.3

开放的合作伙伴生态

说到合作伙伴，一个开放的生态系统是非常重要的，我们得益于来自合作伙伴的支持，使得我们今天能得到很好的成绩。目前，我们已经开启了合作伙伴认证的计划，发展了大量非常优质的合作伙伴，同时，我们也将开启全球合作伙伴招募计划，在这个过程中，我们希望可以将 Kyligence 的产品、技术以及方法论等赋能我们的合作伙伴，与我们一起创造更好的价值。

感谢大家，总结一下我们的新产品，就是融合、智能、开放，更具体的产品信息，可以与我们联系或者到Kyligence官网获取，谢谢。

联系我们：info@kyligence.io

农业数据来源涵盖区域广、涉及领域和内容宽泛，数量庞大且错综复杂。农业领域影响因素信息的全收集，才可以使得全面、多维感知精准决策成为可能。建立数据交换系统，形成快速稳定的数据采集渠道，收集各类涉农信息。 建立科学规范的信息标准体系，通过数据治理整治异构系统传来的多规数据，形成真实可信的有效数据。通过各涉农部门与单位的不同数据整合，形成完整数据链条，描绘出产业全链信息。

免责声明：物联价值公众号除非特别注明，本站所载内容来源于互联网、微信公众号等公开渠道，不代表本站观点，仅供参考、交流之目的。转载的稿件版权归原作者或机构所有，如有侵权，请联系删除。

大数据整体市场规模达1000亿，其中行业应用市场规模为700亿，是最大细分领域。大数据在互联网、政府、金融成熟度最高。爱分析认为，提供整体解决方案的大数据公司机会最大。

近日，爱分析在京举办了2018·中国大数据高峰论坛。TalkingData创始人崔晓波、邦盛科技创始人王新宇、九章云极创始人方磊等7位明星CEO分享了未来几年大数据行业的深度观察，爱分析在会上发布了《中国大数据行业报告》（以下简称报告）。

《报告》称，2017年大数据行业整体市场规模1000亿，其中行业应用细分市场规模为700亿，是大数据行业最大细分领域，大数据在金融、政务、互联网成熟度最高。

大数据整体市场规模1000亿，细分市场行业应用规模最大

《报告》显示，整个大数据产业分为基础平台、通用技术、行业应用等多个细分市场，2017年大数据整体市场规模1000亿。

细分市场中，基础平台整体市场规模在100亿元左右，通用技术整体市场规模在200亿元左右。行业应用层，大数据在各个行业应用差异较大，应用相对成熟的金融、政府领域市场规模为200亿元。整个行业应用市场规模为700亿。

大数据在金融、政务、互联网成熟度最高

《报告》显示，大数据在各行各业的成熟度与基础设施、市场规模和应用范围关系密切。

根据调研，金融、政务、互联网这三个行业的IT投入位列各行业前列，随着“互联网+政务”的普及、政务云和政务大数据的落地，政府2017年IT投入超过800亿元，占中国IT总投入的5-10%。金融一直是重IT投入的行业，以银行为例，2017年中国银行业整体IT投资为800亿元，整个金融行业的IT投资突破千亿元大关。

基础设施成熟度同样会对大数据应用落地应用产生很大影响。信息化是大数据的基础，互联网行业信息化程度最高，金融、政务行业在20世纪初已开始进行信息化建设，经历十几年发展，基础信息化已建设完毕。相比医疗、工业等领域，金融、政务和互联网行业结构化数据占比高，数据标准化程度高。

云计算、大数据、AI、IoT多项技术融合是未来趋势，提供整体解决方案的公司机会最大

《报告》指出，与国外不同，中国市场云计算、大数据、AI、IoT等技术几乎是同时间爆发，企业客户同一时间采购云计算、大数据、AI等产品，企业客户最终目的是通过新技术来实现开源节流，实现这一目标需要多项技术融合，技术边界正逐步模糊。

云计算作为大数据的基础，大幅降低企业的IT硬件成本，将有超过50%的IT预算投入到大数据、AI等应用。AI促使大数据从辅助决策向替代决策进化，使大数据厂商突破工具软件天花板，发展空间放大10倍。在智能客服领域，AI技术的发展使得技术厂商的市场空间由原先的30-50亿提升到300-400亿。

IoT技术的发展补全线下数据和机器数据，给大数据应用带来更加多元的数据，产生更加丰富的应用场景。在营销领域，通过WIFI、蓝牙、摄像头等途径，实现线上、线下数据的打通，形成整个营销闭环，从而实现跟踪用户的全生命周期，提升用户转化率。

多项技术融合促使客户的需求更加多元化、复杂化，提供整体解决方案的大数据公司更加符合未来趋势，在整个产业链占据更重要地位，提供更加深度的场景化应用。

以下为爱分析高级分析师李喆在会上发布报告的演讲实录。

演讲实录

李喆：在看待大数据行业未来趋势时，首先需要关注中美技术路径发展的差异，不仅仅是大数据，还包括云计算和AI等。

从这张图，我们可以得出有几个结论：

第一， 我们看到美国的市场是技术驱动，先从底层基础平台成熟，逐步延伸到上层应用。2006年AWS对外进行提供服务，2009-2010年大数据基础平台公司Cloudera、Hortonworks成立，2015年Google开源TensorFlow平台，这些事件促使云计算、大数据、AI进入快速发展阶段。

中国市场更多以应用、政策为主导，云计算行业快速发展的原因是2012-2013年游戏等移动互联网的爆发，2014-2015年，政府出台一系列利好大数据的政策，促使整个行业快速发展。

因此，中国市场应用型的公司发展速度更快。国外已经上市的大数据公司Splunk、Tableau、Cloudera、MongoDB都是基础平台和通用技术层的公司。国内市场发展速度快的TalkingData、同盾科技等公司，都是属于应用型的公司。

第二， 不同于美国市场每一项技术中间会有一个很大的时间间隔，中国市场云计算、大数据、人工智能这些技术时间间隔很短，几乎是同时爆发。

因此，数据在各个行业的发展是不均衡的，不同行业的渗透率差异很大。同时，大数据行业不能只看大数据，需要重点关注云计算、AI对大数据行业的影响。

首先，我们看云计算对大数据的影响。

云计算对大数据行业最大的影响是降低了整个基础设施的成本，未来会有50%以上的IT预算会投入到应用层，也就是大数据和AI。IT预算的结构将由左边的正三角形，转变成右边的倒三角形。

以银行为例，不考虑上层应用，美国的银行在IT建设上会领先于中国的银行。根据我们的调研，中国的银行IT投入的70%都是在硬件投入，剩下30%投入是软件和服务。而美国的银行只有15-20%的IT预算投向硬件，更多预算投入到软件和服务。

第二个影响是容器技术的成熟，降低了大数据业务的交付成本，从原来几个月的交付时间缩短到几周。

第三个影响是，随着SaaS渗透率不断提升，更多的数据汇聚到云端，更加便捷的实现数据互通互联。

其次，我们看AI对于大数据的影响，AI技术可以帮助大数据突破工具软件的天花板，将市场空间放大10倍，同时还可以降低大数据公司对人力的依赖，提高人均产能。

以智能客服为例，客服软件市场规模是很小的，大概是30至50亿的市场规模，但整个客服市场规模很大。中国的客服人员有300-500万人，按照平均5-6万的人力成本计算，整个客服市场规模超过2000亿。如果其中有15-20%被智能客服替代，整个市场空间就有300-400亿。

但如果厂商只做客服软件，即使加上数据分析等技术，能够提升人员效率，但依然很难触及到人力这部分市场，但通过AI技术，能够实现替代人力，厂商就能切入到这300-400亿的市场。

公安领域，明略数据这样的公司通过深度服务公安客户，形成这个行业的知识图谱，也就是“公安大脑”。形成“公安大脑”后，明略数据在服务其他省市公安局的时候，会大大缩短服务周期，降低公司对人力的依赖，提升业务可复制性。

因为各种技术几乎同时爆发，所以我们判断，多项技术融合是未来的趋势，会大幅提升各个行业的效率。

下面这张图是大数据的业务链条，包含数据源、数据的采集、数据标准化、数据分析和数据应用。可以看出，各项技术其实都会对整个链条产生影响。

IoT技术，补全了原本缺失的线下数据和机器数据。比如营销领域，之前可以拿到大部分是线上数据，用户点击的广告、网页的浏览行为。IoT的发展，通过WIFI、蓝牙、摄像头等方式，可以监测到用户的线下行为，打通了整个闭环。

用户在线上看广告，官网浏览商品，再到实体店体验、购买，实现线上和线下的融合，有更多方式去提升转化效率。

云计算使数据更容易汇聚，降低数据收集的难度，AI技术增强了数据分析能力。智能财税领域，针对小微企业的代账市场，传统软件不具备自动化和智能化，代账SaaS软件的普及，使越来越多的中小数据汇聚到云端，而依靠机器学习等AI技术，实现自动做账、自动报税。

过去每名会计最多服务20到30家企业，但是依靠SaaS、大数据、AI技术等研发的代账软件，可以服务100到200家，未来还会进一步提升。这会使得传统代账公司的重心会放在获客和增值服务，而非基础做账业务，代账公司的服务半径扩大。

多项技术融合后，客户的需求会更加多样化、复杂化，因此，我们判断做整体解决方案的公司机会最大。

从产业链的角度看，做整体解决方案的公司更贴近客户，更容易获取标杆客户。

提供单点能力的大数据公司，更多是技术提供方的角色，无法解决客户全部需求，在客户预算中只能占到很小的份额，集成商会占据更大的份额。整体解决方案的公司提供的是自下而上的服务，因此有机会从原来的技术提供商，成为过去集成商的角色。

这样会带来几个方面的好处：

首先，大数据公司能够触及的预算会更大。

其次，可以延伸到其他需求。

美国有一家做虚拟化的公司叫VMware，最早通过虚拟化产品拿下了很多500强的客户，但现在支撑他高速增长的是SDS和SDN业务。

SDN业务是VMware收购了一家初创公司Nicira发展起来的。Nicira被收购的时候没什么收入，但VMware的SDN业务，只花了三年时间就做到10亿美金的收入。抛开技术原因，另一个原因是VMware有很强的客户资源，更有机会把他的新产品推向客户。

第三，降低获取其他客户的门槛。

企业服务市场，获客具备非常高的门槛，尤其对于初创公司获取客户信任的周期很长。金融大数据公司进入银行市场的时候，可能前期做POC就需要一年的时间。

如果你有一个标杆客户，再去向同类公司进行推广的时候，难度会大大降低。标杆客户具备灯塔效应，不论是服务同体量的客户，还是下沉到腰部客户。

从场景的角度，整体解决方案的公司更有机会把场景做深，提高价值。

零售领域，很多公司从营销做起，但很难切入到库存管理、供应链管理。因为这些公司多数是提供营销工具，不是一个完整的解决方案。整体解决方案公司会从帮助客户建立大数据平台做起，更有机会从前端营销切入到后端业务，通过数据去打通各个环节。

这也是因为当前中国的客户能力还相对不足，直接使用工具的成本和难度都很高。大数据公司需要将业务做重，单纯一个很轻的产品，价值度较低，很难形成壁垒。

接下来，我们将分享大整个大数据的产业图谱，包括我们对每个细分领域的判断。这张图是我们对整个大数据的划分，从底层基础平台到上层行业应用，分为四大细分领域。

基础平台分为交易型数据库、分析型数据库和围绕这两类数据库的计算引擎。

基础平台往上有两个方向，一个是数据的方向，一个是技术的方向。数据方向有两类厂商，按照是否具备数据源分为第一方和第三方。技术方向是指大数据平台之上，具备通用性的数据处理的技术，包括 BI与可视化、日志分析等。

行业应用更多的是直接面向一个个场景，用大数据技术去解决各个行业的场景去落地的公司。

这是我们总结的大数据市场规模。市场规模最大的是行业应用，基础平台是市场规模最小的细分领域。

根据我们的调研，2017年整个中国大数据的市场规模是1000亿，我们测算的逻辑主要分成两类：

一类方法是Top Down。比如，我们测算中国BI领域市场规模，我们首先看全球市场BI的市场规模，全球BI的市场规模大概是180亿美金，考虑到BI在IT投入的比例，中国和全球应该大体一致，中国的比例会略低于全球的市场。全球的IT投入大概是3.6万亿美金，中国的IT投入大概是2.3万亿人民币，因此，我们测算中国的BI市场规模大概是135亿人民币。

再比如，行业应用中的工业大数据，通过我们测算大概是100亿人民币市场规模。我们的方法是通过行业成熟企业的投入比例，去推断大数据在整个工业产值的比例。国家电网2017年营收在2万亿，每年在大数据的总投入是5亿。金风科技2017年营收260亿，在大数据的投入在500-1000万之间，由此可以判断规模以上的企业投入比例大概为1-2%。

另一类是Bottom Up。重点看头部公司它的收入和市场份额。基础平台这个市场，我们主要看Oracle，因为它是市占率最高的公司。2017年亚太地区的收入是45-50亿美金的数据，其中数据库的比例大概会占到30%左右，所以是十几亿美金规模，中国市场收入会比这个数据要低，Oracle的占有率是在40%至50%之间。因此我们判断国内的基础平台的市场规模在100亿左右。

再比如AI平台，我们判断AI平台（数据科学平台）这个领域是20多亿的规模，主要是考虑国内市场，这个领域最大的公司是SAS，每年收入30亿美金，在亚太地区的市场份额大概占到10%左右，而他的市占率会在50-60%，因此整个市场规模会在25亿上下。

从各个细分领域来看，我们还是会去重点关注大数据的行业应用，大数据的最大价值肯定是体现在行业应用。

从政府的大数据发展规划来看，2020年整个大数据市场规模将达到1万亿。但从IT投入来看，2017年IT软件与服务的投入只有1500亿。因此，未来大数据厂商切的主要预算不会来自IT，而是业务预算。只有做行业应用的公司才更有机会拿到业务预算...

随着金融科技的深入发展和多方面应用，以大数据等科技手段提收增效成为金融行业核心诉求。数据观微信小编获悉，3月12日，百度金融携手爱分析联合发布了《2018年中国大数据风控调研报告》，对能够有效降低金融风险管理成本的大数据风控技术和市场进行了研究分析。

2017年中国大数据风控市场规模达140亿人民币，发展潜力巨大，互联网巨头、产业类公司、创新类公司和IT类公司四类公司纷纷入场。随着开源类技术迅猛发展、行业趋于合规化，以及百行征信的成立，大数据分析市场越来越趋于集中，技术、数据、场景理解、客群和获客成为了大数据风控公司五大核心竞争力，其中，互联网巨头更占优势。

END

由于市民卡建设需要政府各主管部门的支持，因此首先应当获得政策支持。大数据运营以及信息平台建设是创业型的事业，没有前例可循。在秉承服务市民、优化资源配置的前提下，积极探索服务和商业模式。在模式成熟后报主管部门逐步规范化。

经过多年的发展，智慧城市的建设重心已经由感知、自动化向智慧转变，大数据成为智慧城市建设中的建设的必要和重要内容。

用模板，其实并不是一件多罪恶的事情，但是用不好却能够让你的整个作品档次拉低一个级别，怎么样才能用好模板呢？用模板到底有什么坑？

今天我会比较系统地跟你们来讲这个问题。

我们想要用好模板，我们就得知道幻灯片模板是什么，它是怎么产生的，它的设计思路跟我们制作的设计思路中间有什么差异，为什么我们用起来会导致原来应该表述的内容产生错误的影响？

我们应该怎么样正确的应用这个模板，一共分这三个方面来讲。

（1）幻灯片模板生产的过程

其实不得不说，如果一个模板下载以后非常合适，这个本身就是一件不科学的事情。一个因为模板的生产目的本身就不是让你使用，它本身就是一个完整的作品，它的本意是要「美」。

所有模板都是为了提高下载量或者销售量而产生的，所以模板的一切出发点都在于好看，但是不是非常实用，这一点还真不好说，要看这个内容是否适合这个模板（因为现有模板，所以并非模板是否适合内容）。

例如这个模板是我很早之前做的一套模板，当时的下载量也非常不错，但是我现在回过头来看这个模板，其实是违背了我的创作初衷的。

为什么这么说呢？当时我做这个模板的思路很简单，所有内容都是因为好看才搭配制作出来的。当做完这一页以后下一页是怎么样设计呢？我完全没有概念，因为我做这个模板的时候，所有内容都是跟着我的形式来走，而形式是根据我的灵感来走了，有可能做完这一页之后，我找不到灵感了，我随便找一个版式改一改，但是和我的内容却没有任何关系。

（2）用模板做不好看的原理

我们都知道，不根据内容来做的一切设计都是耍流氓。几年前我就耍了很久的流氓，因为这里面所有的内容，基本上都是用「这里输入说明文本这里输入说明文本」来填充的，所以没有任何关系，内容不会影响我的设计。

把这一页做完以后再下一页到底又该怎么做，我是完全没有头绪的，那我就随便做就好了，只需要把版式调的好看就行了。

因为幻灯片模板是「设计」主导的，但是实用场合是「内容」主导的，但这两者很大程度是不一定能够契合到一起的（注意我这里讲述的是不一定）。

这是什么意思呢？

下载的模板是科技大数据风格的，那么就真的用科技大数据风格的做出来就好看吗？一个周报搞成这样真的合适吗？

有可能这一页的模板设计恰好能表达我当时想要说明的内容，那么这一页我就做得正确了。

但如果下一页的模板页刚好有四个分项目，但是我想讲的只有三个分项目，那么怎么办？有很多人竟然会把自己正在做的内容修改，然后硬硬生生的多加一个项目进去，来契合这个模板。

这一页又熬过去了，下一页呢，再下一页呢？

它的本质在于：因为幻灯片模板是「设计」主导的，但是实用场合是「内容」主导的，但这两者很大程度是不一定能够契合到一起的（注意我这里讲述的是不一定）。

如果你不能够控制这个模板，只会让这个模板来控制你。而模板下载得好不好又是凭借着运气，所以这才产生了很多人模板用不好的原因。

（3）3步真正用好幻灯片模板

用好模板要求我们自己本身有一定的「设计能力」，这个设计能力不不是说操作能力，而是指我们自己知道「自己需要怎么样的设计来表现我想讲的内容」，这个其实是一个「思维理念」的问题。

当我们把所有内容写完以后，如果真的要用模板来加快我们的制作速度的话，这三步能让你快速实现目标。

第一步：根据内容判断版式

我们将每一页都稍作排版，明白自己想要一个怎么样的内容，这时候在去网上有目的地搜索模板，并且把对应模板的版面下载下来。

第二步：根据需求下载模板

接下来可能从第一个模板里选取三页、第二个模板里选取四页，第三个模板选取五页。通过这种方式先把对应的模板内容填充到一起，这就确保了模板的设计和幻灯片内容是契合的。

第三步：模板风格整体统一

完成前两步结束了吗？其实还没有。我们最终要做的是「统一」。

我们要把整个模板的风格和你的讲述内容进行一定的契合，所以这时候还涉及到一个怎么样把三个类型的模板形成一个统一整体的问题。