爱奇艺近期更新的招股说明书显示，截至2018年2月28日，爱奇艺付费会员数量为6010万，这意味着，两个月时间内，爱奇艺新增会员规模达到930万。

强大的付费会员吸引力证明了爱奇艺精准有效的内容输出能力，在最新曝光的路演PPT中，爱奇艺表明是AI和大数据，让爱奇艺更懂娱乐也更懂用户，因此才能制作输出更多更好贴合用户需求的内容。

通过独特的企业文化了解娱乐产业

内容是爱奇艺生存的基础，也是视频行业发展的重要筹码。

爱奇艺在路演中用一张图表明了技术和创新的基因，让自己具备了包容性和相互尊重的特质。究其来由，是百度的赋能为爱奇艺奠定的科技基因，使得爱奇艺在面对内容，不仅心态更为开放，同时选择更为智能，效率更高。

根据艾瑞咨询的报告，爱奇艺的原创内容在中国排名前10的互联网综艺节目中占据了5个，在排名前10的网络原创剧中占据了6个。

爱奇艺路演PPT以《中国有嘻哈》为例做出爱奇艺更懂内容的说明，节目视频播放量达到30亿次；短视频播放量达到80亿次；在新浪微博的50个热门话题中占据了36个席位；该节目产生了巨大的经济效应，大结局60秒的广告位置为人民币4500万元。

爱奇艺之所以会做出这样一档高流量的综艺节目，在众多流量明星和剧本中，爱奇艺并没有高人指点该如何筛选，但与百度AI为其谋划有关。

爱奇艺首席内容官王晓晖也曾向媒体透露"《中国有嘻哈》选吴亦凡是AI算出来的"，爱奇艺不仅运用智能算法预测流量，并且也将其作为节目制作前的参考指标，反过来指导节目的策划。爱奇艺将题材类型、编剧、导演、主创人员、明星及档期各种维度、数据汇总在一起，通过百度AI就可以得出一个预测结果。

人工智能还体现在精细内容选择和制作上，预测视频流量和电影票房是用于帮助决定内容成本的关键基准指标。目前普遍来看，视频行业仍旧处于亏损，需要外部"输血"的状态，那如何把钱花在"刀刃"上，就是一门学问。

此前，对于视频行业连续亏损的问题，爱奇艺CEO龚宇曾表示，重点是花钱效率，在全行业均在亏损且砸钱大力投入内容的情况下，能否获得相应的质量和声量。

今年以来快速增长的会员数量印证了爱奇艺花钱的"效率"，也证明了爱奇艺的确懂得娱乐。爱奇艺表明，未来在技术创新上，将利用人工智能和大数据制作内容、增强娱乐体验、推出内容推荐、服务广告主和内容合作伙伴。

爱奇艺一直在为提高用户体验而努力

提高用户体验，也是爱奇艺一直以来为之努力的事情。

爱奇艺在路演中表示，运用人工智能和大数据了解用户，通过收集用户的搜索和播放习惯、消费习惯以及互动情况，通过意图识别、行为模型、机器学习等，得出舆情分析、用户分析和个性化推荐。

在了解用户习惯和喜好之后，通过人工智能、大数据和云计算，爱奇艺具备了智能创作、智能产出、智能标注、智能发布、智能观看、智能货币化和智能客户服务的能力。

未来，爱奇艺将增加对不同年龄群体的用户的吸引力，提供卓越、个性化的体验，加强内容发布。在内容提供生态圈，爱奇艺将扩大长尾内容覆盖，增强爱奇艺合作伙伴账户的数量，进一步开发新媒体格式的内容

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

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。

大家好，今天主要跟大家分享一下目前教育行业的市场情况，以及如何实现精准获客。今天会从这几个部分来简单介绍我们今天的分享。

首先先跟大家介绍一下极光，以上的数据是目前极光的数据规模，有将近30万的开发者，高达130亿的数据库体系，将近70万的移动应用，我们的月活跃已经达到九个亿。那上面呢是我们极光的服务区块，我们包括三大块的服务，一个是我们的大数据产品，然后一个是大数据分析平台，以及我们的开发者服务。那我们先了解一下目前整个教育行业的市场，那么交易市场目前到底有多大呢？整个交易市场的交易规模是高达千亿级的刚需市场，一直到2017年中国在线教育市场每年都保持着30%以上的高增长率，一直到2017年下半年虽然开始有所放缓，但是也是处于比较高的增长趋势。2017年一整年在线教育一对一直播授课的火热，带动了整个市场的交易规模。18年19年教育行业的盈利模型全行业清晰的建立之后，市场规模也将持续保持着较高的增长率。

所以未来在线教育市场的丰富性以及成熟，将更大程度地提升整个教育行业的交易产值。那么教育呢从从学前到K12再到大学，再到工作等等阶段，都会有相应的产品及服务提供。这也是由于体制化的教育资源不足，分配不均，所以用户通常会通过额外的教育培训来增值自己或者家人以及子女，这也就构成了教育市场的一个刚需。

那根据在线教育APP所面向的人群以及内容，我们主要划分为以下四大类的主流在线APP类型，主要就是面向学龄前儿童的学前教育。面向小学初中高中学生老师以及家长的K12类教育，包括专注于语言学习以及兴趣教育的垂直类教育。还有一个是涵盖比较多类型的内容综合教育类型平台。那从教育的不同战略体系上面来说，还可以划分为三大派系，也就是经典派中间派还有先锋派。经典派主要是注重线下偏多的网校类型，那他们的盈利模式也是相对是比较平稳的。中间派是依托于互联网的授课形式，也可以算是目前教育行业的一个变现case。类似于在线学科辅导，在线少儿英语培训这些。那先锋派主要就是教育类型的工具应用，通过智能应用代替真人辅导，这种就包括题库类，作业类，然后辅导辅导类型的一些工具。我们过去在一个季度里面，抽取了一部分教育行业的用户，分析，也就是我们来分析一下家长用户的一些样本，从中看一下用户的一些基础画像。

从参与教育行业的家长用户中，我们分别从性别年龄人生阶段学历以及地域等几个维度来做一个画像的调研。那在性别上，女性家长用户占比是62%。从年龄上主要年龄是集中在31岁到40岁之间，占比是高达71.4%。那人生阶段主要是根据小孩子的一个阶段性，比如说小孩子是在上学前班或者是小学初中高中，那小孩子在上小学的家长占比是偏高的，占比是高达64.9%。学历上家长的学历大部分是为大专及本科以上，相比高达89%。地域，一二线城市占比是比较高的，高达83%。那一二线城市的用户也是中心的一个投放对象，那未来的三线城市也将成为交易市场。有了这些基础的话，调研也就触达我们在投放上需要用到的一些基础标签定向。在整个教育行业，我们来看一下17年到18年整个上半年，整个教育行业在互联网广告的发展趋势。2017年九年教育行业是呈井喷式的增长。相对来说，2018年Q1Q2两个季度教育行业在多个媒体的投放相比较，17年的Q1跟Q2季度整体投放的增长率是超过60%的。

那接下来的6月到10月两个黄金阶段，也就是暑假跟秋季开学季，两个黄金阶段，也是整个广告业务投放的上升阶段。

因为从暑假到秋季开学季刚好有两个月的黄金时间，学生也会多出比较多的空闲时间。这个时期也是教育机构做好推广铺垫的黄金时期。所以教育行业在广告业务上也是全面开花的。这源于整个教育资源供不应求，课外加餐的需求越发强烈，将近有1.6个亿的在校生，构成了K12整个教育行业的潜在用户体系，那也有高达12年的大额消费需求。

在众多的教育产品体系中，教育产品的广告主要怎么找到自己的突破节点，包括媒体资源的助力，然后头部教育客户的竞争也是越发的激烈，品牌的需求也随着市场的竞争也变得更加强烈，那么中尾部的客户该从哪里去找到自己的突破临界点？就拿K12教育来看，整个市场的规模也是非常有潜力的。

17年中国互联网K12教育市场交易规模高达88.3亿，预计在2019年将会达到126.4亿。那随着在线教育渗透率的上升，18年用户规模也将达到2000万人。整个教育市场K12教育的市场渗透率。就比如作业帮去年的日均新增用户高达48万，留存率均值也高达70%以上。那么K12教育用户的整体透析，我们就通过作业帮为例来看一下用户的基础画像。我们分别从性别年龄兴趣标签，还有行为标签等维度来看一下作业帮的用户画像。

其中女性的占比是超过八成的，约四成的用户是15岁到19岁之间。作业帮APP用户对音乐美食以及书籍是较为感兴趣的，最关注的话题也是校园啊二次元以及流行时尚。我们再从整体来看，K12教育行业，我们抽取的部分样本数据来分析用户的基础画像。K12教育用户，其中性别占比女性占比高达66%。消费等级阶层是中高等消费能力占比较大，一二线城市的用户群体占比超过60%。那K12教育是义务教育中的一个刚性需求，所以用户阶层分布也是相对比较广泛。超过30%的三线城市也将是未来市场的发力点。目前K12教育面临什么样的难题呢？

一个就是准入的门槛较低，核心的资源要求会比较高，这也导致我们推广引流的难度会比较大。其次就是推广对象不一致，决策群体付费群体是家长，消费群体大部分是学生。第三呢是细分的行业比较多，品牌的忠诚度会比较低。头部客户抢断先期，中尾部的客户该何去何从？包括大部分广告主面临的问题就是获客成本偏高。最后一个是客户的转化周期比较长，大部分的目标用户都处在观望的状态。教育行业的基本营销思路，我们从经典砍树型推广来分析，砍树型的推广，就是从筛选目标人群，再从目标人群中去筛选出种子用户。

经典的砍树型主要是销售线索，那么销售就是重点，通过广告投放或者直销直营的销售团队来获取用户线索。有三个步骤，也就是从选择目标用户再到精准营销，再到获取线索，也就是我们经常在说的选树到瞄树，再到砍树，那如何玩转新型的砍树营销，精准用户数据就是关键节点。基于数据驱动的极光效果通平台，利用庞大的数据库，搭建全面细化的标签体系，通过比较精准的算法来进行目标用户的精准匹配。广告可以实现精准三步走：找到用户，触达用户，再到获取用户。那第一步就是找到用户，那如何精准到人并找对人。这就是基于数据库的一个精细化，包括教育行业标签的体系深化，如孕产育儿，然后基于数据的回传效应，实现广告的实时优化，包括我们DMP人群包的提取，更加精细化的提取到对应需求用户的标签。那精准用户有了，如何脱量呢？维持到一定的优质转化成本。托量，就通过lookalike的加持，拓展种子用户，扩大精准受众，实现日均转化的扩充。大家肯定会比较好奇人群哪里来的这些标签怎么贴的，然后怎么确定他就是我们的精准投放对象呢？激光效果通的自有数据平台系统，通过SDK的切入合作，有高达130亿的数据体系系统，将近70万款的移动应用，月活跃用户也高达九个亿。

极光通过精准算法进行数据的整合分类，再到标签化，分一级标签，再细化到二级标签，做一个筛选过滤细化到三级标签，就会有各种行为属性，基本属性，设备属性等等。那么极光是如何处理这些数据，从而优化数据标签化的体系？首先呢就是人群的预处理，如何找到这些人群？我们通过某种的相关性，比如同类型的APP，同类型的交易产品，然后协同过滤，会筛选出相关的潜在用户。

通过数据的回传，lookalike的加持，计算出相似的用户群体，进而量化精准用户人群，然后再到人群画像的精细化标签。我们主要是通过用户的行为特征，基本属性，广告行为等等力度的精细化，筛选出最精准的目标用户，对广告投放也实现最大化的加持作用。那最后就是人群数据的有效性。我们会通过时间效应的计算，随着时间的推移，APP的迭代更新，用户的一些特征也会发生相应的变化更新。我们的系统也会做一个人群的预处理，会根据APP的迭代更新来更新用户的各个特征。我们就以VIPKID的为例，来看一下用户挖掘所使用到的多个策略维度。首先我们会从用户的基础画像来做一个过滤筛选，从婚姻状态，孩子年龄以及家长的消费能力等。

其次我们会通过APP的用户维度，包括竞品的维度，再来就是通过用户的日常行为维度，主要是通过这几个维度来做用户的初步过滤筛选。第二步就是如何触达用户。极光这边会有丰富的媒体资源，包括光电通今日头条百度爱奇艺优酷微博等等媒体资源，我们事先多方触达，全方位的铺量。

那基于流量的优化上，我们自建了一个反作弊系统，主要就是过滤掉无效的人群，无效的流量，做到流量的最优处理。那最后如何获取用户，我们会通过CTI的预估算法来智能出价，实现高效优化。通过基础的投放，我们会实现一些数据量的累积，达到符合预期的成本条件。再通过机器算法预估展现的转化价值，实现最终可以自动优化出价的功能。然后再到OCPA的推动，加上创意的更新迭代，这也促使我们在投放中可以稳定成本，并且更大限度的去脱量。大家可以看下，我们上面是某个在线教育品牌对接OCPI之后的转化成效。那么整个教育行业的推广需求漏斗，就是从曝光到点击到浏览到填单，再到报名，每一个环节都会有对应的一个影响因素。那么在曝光上呢主要影响的因素就会有广告数量，投放资源，广告出价，以及定向条件，包括整体的点击率，那点击就会从定向包括创意以及素材，包括人群的匹配度上面有一定的影响。

那么再到转化的环节就是浏览到填单，这就根据落地页的相关性，包括认定配角的设计质量，产品的吸引力，这些都是有一定的影响。最后触达用户报名，这就跟客服如何及时的跟进，包括产品的教学质量，课程单价，课程的吸引力度等等相关。最后呢也就是创意的更新，主要就是提升创意的点击率，这也是是转化成效double的重要一环。

好，那我今天的分享就到这~

1、平台介绍

优选创新（北京）科技有限公司的大数据教学平台由“大数据实训管理系统”，“大数据教学云平台”、“大数据实验实践教学平台”构成，建设的主要目的是立足于当前大数据的时代背景，集教学、实验、培训于一体的大数据实训平台，集成业界最前沿的大数据应用，提供简单易用的管理功能，并针对教学实训的场景量身定制了实验开发调试环境、实验运行管理以及教学管理等功能，同时结合一线的实战项目，提供多行业多门类具有很强实践性的教学课程和实验课程。将实际企业大数据应用项目引入到课堂，实现学生走出校门企业可用的目标。

平台设计引入“云”的理念，使学生的学习、老师的授课不在依赖传统的教室课堂模式，随时随地进行学习实验。为学校搭建和完善大数据应用和开发的课程体系和教学实训环境。并可以此为基础帮助高校建设集培训中心、科研中心、体验中心三种功能为一体的高等级大数据教学实验中心。

整个平台从功能上可分为“管理与控制系统”、“分布式计算模块”、“大数据实训平台”、“云端实验平台”、“考试系统”、“教学资源包”等部分组成，实为学生提供多梯度、层次式的系列实验，助力学生知识点掌握和基础技能培养；为教师和学生提供毕业设计、课程设计以及科研的基础支撑，为教师学生提供良好的大数据演练环境；

1.1、技术优势

1）基于容器技术的云实验机

基于容器的轻量级虚拟化技术，相比传统KVM之类最明显的特点就是启动快，资源占用小。因此对于构建隔离的标准化的运行环境，轻量级的PaaS(如dokku), 构建自动化测试和持续集成环境，以及一切可以横向扩展的应用(尤其是需要快速启停来应对峰谷的web应用)，具有巨大的优势。本技术可以在有限的物理资源上创建多个虚拟化的实验机环境，学生可以快速启动专享的实验机。

2）基于B/S的远程桌面交互技术Y-Desktop

Y-Desktop是一种HTML5和JS的Web应用程序，可使用远程桌面协议（如VNC或RDP）访问桌面环境。 同时提供了一个驱动它的API。该API可用于为其他类似的应用程序或服务提供服务。此Web应用程序是提供协议无关的远程桌面网关的一部分。作为API，Y-Desktop提供了一种通过使用HTTP或WebSocket的基于JavaScript的隧道流式传输文本数据的通用和有效的方法，以及支持Y-Desktop协议的客户端实现，并将远程显示与Y-Desktop协议流隧道。Y-Desktop使用JavaScript及HTML5和其他标准，只需要一个主流的浏览器或启用Web的设备，就可以访问所提供的任何桌面。

1.2、产品优势

1）一站式解决方案

学生可以在平台中学习、实践，以及进行评价与考核，获取专业证书，并向企业推荐，得到就业机会。

2）实验+实战=就业能力

实训系统提供的基于浏览器的桌面及虚拟化技术，让学生可以随时随地学习、验证，通过真实项目的实战，达到同等互联网公司1~2年的工作经验。

3）学习行为分析

实训系统全程记录、追踪学生的学习行为，通过学习行为分析，提供个性化的学习内容。

4）远程陪练

提供云解答专区，在浏览器中实现桌面分享、共享的功能，助教可以远程协助、陪练。

5）充分支撑科研工作

实战平台提供行业数据及案例解剖，用于课题研究、项目实施，同时提供数据更新接口，为科研工作提供海量的行业数据支撑。如某地区经济数据分析、股市数据分析、全国地震数据分析、食品价格行业数据分析等。

2、系统功能说明

2.1、系统构成与平台功能描述

大数据实验实践教学及科研平台，主要由“实训系统”与“科研与实战平台”组成，平台包括高清视频课程、实验任务、实训操作及项目实战等模块；提供数量大、覆盖知识面广的实验任务，实现在线教学、实训操作、项目实战完美结合；

平台提供大数据集群管理功能，包含Hadoop、Hive、HBase、Sqoop、Flume、Spark等节点部属及管理，提供实时监控集群的CPU、内存、硬盘等使用率及相关信息，可以对管理节点、计算节点进行启动、停止等操作管理。

提供覆盖多个行业的大数据实战案例以及数据，通过对这些行业案例的深入剖析，快速提升学生的大数据实战能力。

2.1.1、系统管理模块

1. 软件为整个系统提供管理功能，管理系统各软件，可对各软件进行开关机，恢复实验初始状态等功能。

1）图形展示各软件运行状况：

2）软件系统的启动与关闭：

2. 软件提供云计算平台配置功能，包括配置存储限额、作业调度方式等。

3. 软件提供云计算工具，包括Hive、Spark、Pig的配置功能，配置Spark的作业调度方式和内存管理方式。

4. 软件可以监控整个云计算平台的运行状况，包括可用资源和已用资源、作业的排队状况、正常和异常的作业运行状况，并提供干预功能，及时释放异常占用资源和终止异常作业。

5. 支持大数据查询及分析功能，如聚集查询、连接查询、选择操作、嵌套查询、Like查询等功能。

6. 对执行的工作任务运行状况、进度、流程，进行实时图形展示，使得各项指标一目了然：

2.1.2、教学管理模块

提供学生的权限、课程计划、学习记录、学习成绩、实验报告等管理功能，主要功能如下：

2.1.2.1、专业管理

提供对专业信息的增加、删除、修改、查询功能。

2.1.2.2、班级管理

提供对专业下属班级的增加、删除、修改、查询功能。

2.1.2.3、学生管理

提供对班级内学生的管理，学生内容包含姓名、学号、所属班级、所属专业、联系手机、登录次数等内容。

2.1.2.4、交流日志查阅

对实验机分享交流的内容进行查询，包含交流IP、相关学员、相关老师、实验机编号、交流内容等内容。

2.1.2.5、成绩管理

对于学习中心在线学习的学习考核成绩进行管理，包含查询及删除等功能。

2.1.2.6、学习记录

提供每个学生在学习中心平台内学习课程的学习记录，包含日期、计划、课程、章节、学习IP等。

2.1.2.7、学习行为报表

对所有学生的课程学习记录进行统计，包含个体统计、班级统计、全体统计等。

2.1.2.8、课程管理

对学习课程进行查询、修改、删除等操作。

2.1.2.9、开通课程计划

对于学习开课计划的字段内容包含计划名称、授课讲师、授课时间段、开通状态、允许申请周期，允许申请人数等，功能提供绑定课程计划相关实训平台课程、授课助教、云实验机绑定、实验任务绑定等功能。

2.1.2.10、课程测验习题管理

提供对课程相关的习题管理，题型包含单选、多选、判断题等类型，对习题进行增、册、改、查操作。

2.1.2.11、分级权限功能

系统分为总管理员、助教等二级管理角色，总管理员进行管理所有的功能点，助教可以进行班级管理、学生管理、开课计划制作、实验机远程协助等。

2.1.2.12、实训系统管理

提供学生根据姓名、学号、密码登录系统进行实训操作，学生只需安装浏览即可进行实验任务操作；提供实训课程在线学习功能、实验机在线操作、实验报告提交、实验机界面截图、记录课程学习时长等。

2.1.2.13、实验机桌面管理

可管理系统提供的实验机桌面分享功能，如学生在学习、操作云实验机的过程中，有问题可以向老师发起协助请求，助教在收到请求时，可以远程访问学生的实验机，并指导如何操作

【教学管理系统界面】

2.1.3、实训教学模块

【实训系统首页】

实训平台是集教学管理、课程学习、在线实验操作的一个综合平台，系统基于B/S架构，扩展性好，并发能力强，在很有限的硬件资源下，轻松支持上千名学生同时学习、实验。主要特点如下：

2.1.3.1、用户登录

打开浏览器，在地址栏中输入学生端网址，通过注册帐号、学生学号等方式授权进入实训系统主页，如下图所示：

登录成功，进入实训系统学生界面，如下图所示：

2.1.3.2、申请学习

功能描述：学生通过本功能申请参加由主讲老师计划开通的某些课程。

学生点击左边的功能菜单“申请学习”，打开申请学习界面，功能界面如下图：

此界面列出了所有允许申请参加学习的开课计划，在列表中可查看授课开始日期、授课结束日期，申请状态等，选中需要参加课程开课计划，点击“查看详细”链接，可以查看开课计划的详细介绍。

2.1.3.3、我的课程

功能描述：学生通过本功能可以在线学习已经开通的大数据实训课程。如图示：

主要功能：

1） 效果切换：视频播放效果提供标清、高清以及超清三种，为不同的网络带宽服务。

2） 章节目录：列出本课程已经开通的章节，可以根据学习进度，选择章节进行学习。

3） 学习记录：可以查询本课程每个章节的学习完成情况。

4） 学习笔记：提供学生在学习过程中，在线记录学习笔记，笔记可以多次保存。

5） 打开实验机：学习在线视频过程中直接打开与本课程配套的实验机。

2.1.3.4、实验任务

功能描述：实验任务操作界面，学生在此界面上完成大数据相关作业实验。

系统列出所有要求完成的实验任务内容及简要介绍，功能如下图所示：

1、 实验任务的要求，包含实验目的、实验环境、实验内容、实验步骤等内容。

2、实验任务配套的实验机，实验机提供本次实验所需的所有环境。

3、实验报告编辑功能，如下图所示：

3、实验过程载图功能，如下图所示：

2.1.3.5、实验训练

功能描述：学生通过实验训练，可以直接进入实验机。如下图所示：

2.1.3.6、集群安装

功能描述：学生通过本功能及任务要求，完成大数据集群的搭建。

集群安装实训平台提供三台实验机，一台作为主节点，二台作为从节点，按照实验步骤将三台实验机安装成为Hadoop完全分布式集群。功能如下图所示：

在完成主节点安装任务后，依次完成二台从节点的任务要求，最终达到集群安装成功。

2.1.3.7、学习记录

功能描述：学生通过本功能，可以实时查询自己所有课程学习情况。

学习记录功能，列出学生所有已经开通的课程列表，可以查询所有课程总学习时长、第一次学习时间、最后学习时间等，功能如下图所示：

还可根据需要，查询某一课程详细学习情况。

2.1.3.8、选修课程

功能描述：学生通过本功能可以自学一些大数据相关的课程，提供视频及配套实验环境。

2.1.3.9、在线习题测验

提供对课程相关的习题，题型包含单选、多选、判断题等类型等，并根据课程进度，可以进行单元练习，完成课程后，系统会进行综合性的测验。

2.1.3.10、在线的代码判断系统（OJ）

学生可以在线提交程序多种程序源代码，系统对源代码进行编译和执行，并通过预先设计的测试数据来检验程序源代码的正确性。

支持Java、Python等语言。

2.1.3、实验教学模块

优选创新（北京）科技有限公司的“大数据实验实践教学及科研平台”完全满足大数据实验、科研、教学的平台支撑需求。

2.1.3.1、实验机支撑系统

1）、包含 HDFS、 Yarn、 Spark、 Hive、 Hbase、 Zookeeper、 Storm、 Kafka、Solr 等常见的大数据生态组件。

2）、采用新一代资源管理框架，允许多个应用同时高效地运行在一个物理集群上。

3）、灵活的资源管理和调度机制，支持可拔插式的资源调度策略，调度策略支持 FIFO、 Capacity Scheduler、 Fair Scheduler 和 Label BasedScheduler 等多种策略

4）、系统架构具备高度的弹性，可满足实验运行平台所需要的高度扩展性，一旦有新的需求出现，即可向现有平台上迅速加入新的服务对象。

5）、分布式批处理框架，将输入的数据集划分为块后并行处理、排序、再归集，可处理 PB 级别的数据。

6）、系统中无单点故障，任何一个角色故障后都应有备份机器承担原失效节点工作，并在监控页面上对错误状态进行显示标识。

7）、系统的存储容量能够动态不停机扩容，扩容时现有系统可以不间断正常运行，不受扩容影响。扩容时无需迁移数据，无需要求用户对数据进行重新分区,避免硬盘和数据损坏。

8）、发生硬件故障时，系统能够自动检测错误并修复数据，无需人工干预，即使机器未修复，系统仍然能够不间断正常运行。

9）、实验初始化、关停、删除等功能：

2.1.3.2、云实验模块

1）基于B/S的Web实验机可视化操作

实验机界面采用HTML5显示，操作终端无需安装其它开发软件即可进行实验操作，同时将实验任务指导书与实验机进行同步显示，提供Web在线代码复制粘贴功能。

2）云实验机集群管理功能

提供云实验机集群管理，对实验机所属服务器进行新增、删除等操作，对云实验机可以根据学生编号、实验任务和环境要求自动创建，无需管理人员参与实验机创建操作过程。管理平台对云实验机可以进行停止、销毁操作。

3）云实验机类型

包...

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...

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。

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。

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