根据IBM公司的相关解释，我们每天产生2.5万兆字节的数据，这个数据来源于各个方面。我们需要对这些数据进行收集、储存，并建立应用程序进行分析。最成功的大数据公司Palantir拿到200亿美元估值。

用友幸福投资的投资总监赵山利则指出，数据大意味着数据垃圾也多了，让数据越小越闪光，这个过程才是大数据。

以下推送赵山利先生在健一会第55期闭门沙龙上的发言：

对于大数据，大家可能都听腻了。每分钟的数据有这么多：

个人觉得，数据应该由庞杂变得精细、智能化，最后让数据越小越闪光，这个过程才是大数据。并不是说数据大才是大数据，数据大也意味着数据垃圾越来越多了。大数据其实是价值凝聚的过程，在这个过程中找到闪光数据，这也是我们投资大数据的一个初衷。

大数据由大变成闪光数据，是怎么样的一个过程？

大数据应用价值的七层凝聚

可以用一张表来表示：

之上一层是业务运营监控。简单说，就是监控数据哪些有问题，或者异常波动。原来它可能每天有100个销量，突然变成30个销量了，或者突然变成1000个销量了，这是异常波动，这是很初级的大数据发现问题。

再往上一层是客户体验优化。比如说之前一直是30个销量，我想优化成40个销量，或者优化成50个销量，出发点和落脚点就是数据监控再优化。

之上第四层，是精细运营、营销，包括精准营销，也就是对数据加工之后产生的价值，这一块对于个体化推荐、生命周期管理、数据挖掘提升还有工具的使用，要求比较高。

来到第五层，是数据对外及对内服务了。数据之前可能是一个工具，或者是一个概念，这个时候可能变成一个产品了。对内服务老板，对外服务客户，同时这个产品具有传播性，因为你这个产品要实现它的价值，肯定要传播。

之后第六层，是专题的分析，收入的分析，因为收入是大家最关心的东西，这一块，是从不同的侧面，去切大数据。

最后第七层，最顶尖的，是趋势战略分析，就是企业的发展，或者个人的选择，它是为明确下一步大的方向而凝聚的。

这七层数据的组合变化过程，每一层都有它的价值。企业或者投资项目如果能够在某一层里挖掘出这种细分价值，做到极致，在大数据价值凝聚过程中，是很有作用的。

以上这张图是从数据应用价值上描绘的。

大数据技术实现的七层框架

我们再来看第二张图，它是从纯技术角度上分析的。

之上是存储系统，包括列存储、文档存储、图片视频存储，还有基于存储的管理或者特性辅助的，这是一个文件的存储。

之上是资源管理层，包括侧重于集群管理的、侧重于不同设备之间共享管理的，还有负责效率提升的。

再上面是一个计算框架，侧重于迭代式计算或流式计算，批处理、交互等，它的整个技术很有针对性，效率也很高的。

再之上是数据分析，数据集成，应用操作框架。这张表，都是纯技术角度来看一个大数据项目切的哪个点，切的点是不是足够深。这些技术在国际上已经过初步验证，有一定的说服力了，当然新的技术迭代也很快。

上面这两张图，分别来自数据应用角度，以及来自纯技术角度。这两张图结合一下，简单一点，我觉得应该是下一张图：

下面开始虚实结合：

这张图可能大家都看过，太复杂了，我估计也讲不透，参考而过。

应用类分为大数据平台、大数据应用、数据分析三大块。

技术类分为基础架构、开源技术、数据采集三大块。

准确的说，国内基金(包括人民币基金)投左边应用类多一些，因为国内原创技术还是差一些。而美元基金既投应用也投技术，这方面实际上是美元基金和人民币基金的小区别吧。

国际712家大数据企业有机会另作分析，下面我就针对这244家企业它的一个分类，应用类的，接近200家，占大头。技术类，40多家。

有两张清单，一是广告营销的，按15年年收入排序的，从六个多亿的，到最低800多万的，利润介于正负5000万之间，就是做广告营销的，竞争对手特别多，收入的分布也特别广，这是广告营销的特点。

二是做项目实施的。最高的年收入三个多亿，利润4000多万。最低的，六七百万，利润几十万。收入分布也很广，但是他们几乎都有利润，也就是说做项目实施，应该是不会赔钱，这是大家一个策略吧。

数据基本上说完了，当然数据分析的比较浅，时间也比较仓促。我个人几个小观点：

第一、美国的数据分析市场非常大，基于美国信息化非常发达。而国内信息化程度和数据分析市场需要协同扩张。

第二、美国公司注重差异化竞争，一个模式基本上不会有太多人去模仿。国内公司模仿的现象太普遍了，这一点在大数据领域同样是这样。貌似大数据是高科技，技术含量高。但实际上，大家模仿还是很普遍的。

第三、大数据是面向企业收费的产品，我个人在企业服务这方面看的比较多，面向企业收费的产品，特别是软件产品，一定要做好“服务”这个事儿，要深刻理解“服务”的意义。互联网发展这么多年来，我觉得大家虽然说我投资企业服务，或者说我做企业服务的，但从来没有把企业服务，这个“服务”两个字给加重，这一点我觉得是应该加重的。

第四、广告营销。大数据广告营销，在线上销售方面发展至少有三五年了，发展挺快的。而线下销售营销提升方面，急需结合大数据手段，就是针对于传统的地面营销。近年来，互联网对整个传统产业的颠覆改造，实际上不像之前那么猛烈了。传统产业、传统的生活生产消费方式慢慢在回温。但是它们也需要线上，或者大数据的方式来促进他们，来提升他们。这就是线下销售，用大数据来促进提升，哪怕只是一点，是很有价值的。

第五、大数据技术发展很快。如果你做这方面的投资，就需要做大量追踪技术的体力活，就是包括我觉得分析这个报告，其实上产生了很多数据。不管是来自一对一的数据，还是公开途径的数据，这个活挺费劲，挺不太好干的。但是如果你投资大数据的项目，这方面的工作很有必要的。

最后，因为今天讲投资策略，我们再回到上面大数据投资策略那张PPT：

而左边应用类的，这个估值涨的过程，是一个稳步的过程。人民币基金，美云基金投的都比较多。政务、金融，软件开发，项目实施，还有商业分析这一块，我觉得是有价值的。为什么没有敢圈广告营销呢？广告营销太细了，这个方面，它比我研究一个大数据技术，可能还要猛，就是这里面坑太多了。当然有专业投资人士，能够搞懂，是非常厉害的，这个市场是足够大的，只是我个人对广告营销是不太敢碰的。

作者：
赵山利，信息工程（北邮）和金融学（对外经贸）双硕士。多年通信产业经验，后转行财务顾问撰写材料，再逐步成为投资人。既了解创业者融资意图，又通晓投资人甄别项目价值的脉络。现任职用友幸福投资，投资总监，专注云计算、大数据、企业服务等细分领域，已投项目包括易云捷讯、华傲数据、EventBank、大河云联、销售罗盘等。

   　Gartner研究总监Nick Heudecker表示：“北美洲继续引领大数据投资，有47%的受访机构已进行投资，高于2013年的37.8%。在过去的一年中其他地区对于大数据的投资也都在增长。”

　　不过，投资的增长并不意味着实施大数据项目的企业机构数量也增加了。与2013年一样，目前大多数的工作仍然是围绕着战略部署，以及大数据的试水项目。

　　Heudecker表示：“去年，我们说2013年是大数据试验和早期部署的一年。2014年也是一样。2013年，只有8%的企业机构表示已经将大数据项目部署到生产环境中，到2014年这个比例增加到13%。不过，仍然在收集关于大数据的企业机构比例减少了6%，试验和试水项目比例则增加了7%，这表明企业机构正在理解和愿意探索大数据的机会。”

　　Gartner研究总监Lisa Kart表示：“大数据可以帮助解决多个行业的一系列业务难题，在我们该项研究的第三个年头，增强客户体验和改善流程效率仍然是急需解决的问题。最显著的变化是改善客户体验，尤其是在交通、医疗、保险、媒体和通信、零售和银行。另外一个我们看到有所增长的领域，是利用大数据部署信息项目，企业机构希望从大数据中掘到金，尤其是对IT厂商、政府和制造业来说。”

　　所有垂直行业的投资和计划投资都非常抢眼，其中通信和媒体领跑，有53%的受访者已经投资，另外有33%的受访者计划对大数据技术进行投资。

　　该研究的另外一个变化是采用阶段的功能。随着企业机构逐步走过知识收集和部署战略以进行投资、试水和部署的节点，他们面临的挑战也更加实际了。那些还没有大数据相关技术的企业机构感受到他们正在面对找出如何从大数据中获得价值、制定战略、领导者或者企业机构难题的挑战，甚至他们仍然在试图理解大数据是什么。在规划阶段，除了确定价值之外，最主要的挑战是获得所需的技能和能力，制定战略、获得资金、以及开始考虑基础设施的问题。那些进一步加大投资的企业机构必须要考虑风险和监管问题、数据集成和基础设施。

　　当谈到数据的量、多样化和速度时，数据的量往往最受关注。数据量不管增长最易理解：你得到的数据和以前一样，但是量级却大得多。数据量也是最融合通过提高存储容量和计算能力来解决的。另一方面，数据多样化问题也变得越来越具有挑战。从多样化的数据来源中获得价值，例如社交媒体数据、机器数据和传感器数据，甚至是自由格式的文本数据，这些不仅要求更大的存储容量，而且还需要不同的工具和利用这些数据的技能。

　　分析多样化数据所带来的挑战也许可以解释为什么大多数企业机构正在为他们的大数据项目研究传统数据来源。这些分析交易数据的企业机构所占比例从2013年的70%增加到今年的79%，而那些分析日志数据的企业机构小幅减少了2%。在过去一年中，社交数据来源的类型有所下滑，这可能是由集成社交媒体数据与其他类型数据存在较大难度所导致。

　　Heudecker表示：“当问到受访者，他们计划未来添加哪种数据来源的时候，我们得到了意外的结果。每种数据来源都有30%到40%的受访者选择，包括像音频和视频这样极具挑战的数据来源。过于乐观和随机的数据来源说明两件事，首先，企业机构并不知道未来该做什么，他们还没有计划。收集所有数据并不是正确的对策。而且，还有一些傲慢的因素在作祟。如果企业能够对交易数据和日志数据进行很好的大数据处理，那么可以认为他们也可以更轻松地应对其他更具挑战的数据来源。”