大數據并不只是一個傳說，看這里，你會快速對大數據的趨勢有所感知。

　　由于物聯網和移動設備的快速發展，人類社會在過去兩年里生成了全世界90%的數據。數據收集、存儲和分析的成本驟降。

　　如今，各個行業都在借助由數據驅動的行業洞察，獲得競爭優勢。

　　大數據的未來前景更加宏大：為體量***的行業拓寬視野，解決世界上一些最復雜的難題。

　　創業者和投資人應該從何種宏觀角度來把握大數據的前景?

　　文內數據為全球及美國市場情況，但相信對于中國市場有同樣的借鑒意義。

　　本文PPT來自硅谷銀行分析團隊(SVB Analytics)***的分析報告《大數據的下一步棋：把握大數據的前景》， 由浦發硅谷銀行提供。文字部分由網易創業Club解說。

　　【***部分：數據激增】

　　由于處理成本、存儲成本的大幅下降，網絡傳輸能力的大幅增強，數據的產生、處理和收集數量都在呈現指數級的增長趨勢。

　　數據人才需求四年翻三番。說明有更多的商業場景需要進行數據的收集、分析。這和始于2010年左右的移動端全球性普及趨勢基本重合。考慮到企業級服務的興起，未來的數據人才需求會更加旺盛。

　　【第二部分：大數據業務成為美國VC的關注重點】

　　針對大數據公司的風險投資從2010年的10億美元增長到了2014年的50億美元，年內交易數量從150增長到了500起。

　　盡管現在大家都開始說B2B的風口來了，事實上我們從數據可以看到，美國風險投資界在過去5年里對大數據分析公司的投資額度增長了大約17倍而對B2B服務型公司的投資額度僅僅增長了3倍。

　　當然，由于美國B2B服務的風險投資體量本身就很大，所以這并不是特別直接的對比方式。

　　不過，這也能夠從一個側面體現出大數據業務的發展勢頭。

　　在不同的融資規模所代表的不同融資階段里，大數據公司的估值水平都明顯高于科技類公司的平均估值。

　　這說明投資人非常看好大數據領域從而可以容忍較高的進入價格。

　　需要提醒注意的是，所有各個融資階段的大數據公司估值都高于科技公司平均估值水平。

　　【第三部分：大數據2.0，一個更大的漏斗模型】

　　圖中給出的是一個漏斗模型，相信搞產品、搞運營、搞銷售、搞戰略的同學們對此并不陌生。

　　由于IoT(物聯網)的逐步成為現實，漏洞入口的數據來源正在以及將要呈現爆發性的增長。

　　物理硬件性能以及計算能力的高速發展讓數據的收集、存儲和處理成本大幅下降，數據處理方式和速度大幅提升，這讓可以被處理的數據數目和類型發生不可想象的增長和變異。

　　由于上述一系列的能力提升背景，“傳統”行業的數據分析范圍和應用場景更加多樣化，分析價值也越來越大。

　　大數據應用行業舉例：零售、網絡安全、廣告、金融服務、農業、旅游與住宿、醫療健康、能源、金融服務。

　　可見，大數據可以應用的行業覆蓋了2B、2C的多個甚至是所有的重要領域。

#p#

　　使用場景舉例，硅谷銀行在這里舉了廣告精準投放、網絡欺詐安全、傳感器--運營優化三個例子。我們已經可以在國內看到在幾方面做的比較突出的大數據及SaaS服務創業公司了。

　　【第四部分 大數據的跨行業應用，創業投資機遇在哪里?】

　　硅谷銀行將大數據的針對不同行業以三個維度做了成熟指數測算。

　　三個維度分別是：對數據的監管程度;數據捕獲的難易度;技術整合的程度。

　　前面兩個維度反映了數據來源的豐富及深入度，如果太難的話，在應用方面會受到限制。

　　對于體量龐大的行業而言，目前的大數據應用成熟度越低，未來的發展空間越大。

　　相對成熟的市場：

　　相比較而言，網絡安全、廣告、旅游住宿行業是“較小”的市場(2000-3000億美元)，它們的大數據滲透率比較高。

　　零售業由于線上零售發展多年，因此是一個有復雜大數據分析積淀的巨型市場(9000億美元)。

　　更有潛力的市場：

　　農業雖然是個“小市場”但受制于數據收集的難度、分析技術的限制，目前還處于比較初期的階段。

　　金融服務、醫療保健這樣的大市場顯然是所有人都會關注的大數據應用市場。但由于對數據的監管力度大、數據的獲取難度高，所以仍然是一個發展遠不完善的大數據市場。

　　這里，較為成熟的廣告行業大數據早期公司獲得風投的青睞越來越少了，而醫療健康類的早期大數據公司則開始獲得更多風投的青睞。

　　這個趨勢和各個行業大數據應用的成熟度密切相關。

　　風投在考慮趨勢的時候會密切關注潛在發展空間是否足夠大和限制因素是否可以被解決。

　　【第五部分：總結，云和機器學習是大數據的未來】

　　所謂“云”，要看大數據公司的云是否能夠把目標客戶放在公有云上的數據聯動起來形成一個生態系統。

　　所謂“機器學習”，要看大數據公司的機器分析能力是否會隨著數據數量和類型的增加、硬件性能的提升而更具洞察力。