難道有數(shù)據(jù)就叫大數(shù)據(jù)公司了?如果慶豐包子留存有這半個多世紀(jì)以來的購買者和交易記錄它就得叫大數(shù)據(jù)公司了?是，但也不是。

看硅谷四大不同類型公司如何玩轉(zhuǎn)大數(shù)據(jù)

歸納下硅谷“大數(shù)據(jù)公司”的類型大概如下：

1.數(shù)據(jù)的擁有者、數(shù)據(jù)源：特點(diǎn)是業(yè)務(wù)優(yōu)勢能收集到大量數(shù)據(jù)，就像煤老板壟斷一個地區(qū)的礦一樣。其實(shí)大多數(shù)有能力產(chǎn)生或收集數(shù)據(jù)的公司都屬于這類型，比如VantageSports和收集了PB級數(shù)據(jù)的包子鋪。

2.大數(shù)據(jù)咨詢：特點(diǎn)是非常技術(shù)，提供從基礎(chǔ)設(shè)施規(guī)劃建設(shè)維護(hù)到軟件開發(fā)和數(shù)據(jù)分析等的服務(wù)，但不擁有數(shù)據(jù)，比如Cloudera這家不到500人的startup是最著名的Hadoop架構(gòu)咨詢公司。

3.做大數(shù)據(jù)工具的：比如AMPLab出來的Databricks和Yahoo人主導(dǎo)的Hortonworks。

4.整合應(yīng)用型：特點(diǎn)是收集擁有或購買一些數(shù)據(jù)，然后結(jié)合AI來解決更多實(shí)際的痛點(diǎn)。

可能從真正意義上來說，大數(shù)據(jù)公司應(yīng)該只屬于第四種類型：AI。

我相信未來是AI的，而AI的食物是數(shù)據(jù)。大數(shù)據(jù)行業(yè)最有價值的部分在于如何利用機(jī)器去處理數(shù)據(jù)得到洞見，影響組織和個人的行為，從而改變世界。收集和整理數(shù)據(jù)在未來會變得標(biāo)準(zhǔn)化和自動化，而利用AI進(jìn)行分析的能力會變得更為關(guān)鍵。

再看硅谷主打AI的公司，現(xiàn)在大致可以分成以下三類了：

1.分析用戶行為，改進(jìn)產(chǎn)品和營銷的，比如LinkedIn的推薦系統(tǒng)和用iBeacon實(shí)現(xiàn)店內(nèi)營銷;

2.統(tǒng)籌大量分散個體，利用大數(shù)據(jù)實(shí)現(xiàn)精確有效的預(yù)測和規(guī)劃的，比如Uber和前段時間出現(xiàn)的AmazonFresh及GrubMarket;

3.分析識別各種類型的數(shù)據(jù)，開發(fā)更智能的設(shè)備和程序，比如Google大腦及無人車和以Nest為代表的智能設(shè)備等。

這些產(chǎn)品都有一個很明顯的共性，就是在努力嘗試把機(jī)器變得更智能以減輕人類的工作量。這個目的與科技發(fā)展的動力相符合，因此認(rèn)為之前所說的第四種類型的公司是最有希望改變世界的。

目前硅谷的創(chuàng)業(yè)公司正在探索新的應(yīng)用領(lǐng)域和方法，比如說物聯(lián)網(wǎng)這塊。現(xiàn)在智能設(shè)備們才剛剛起步，Nest、被Nest收購的Dropcam、Iotera、emberlight等等都屬于少部分人的玩具。待到家家戶戶都安裝了智能冰箱、智能燈泡、智能桌子、智能沙發(fā)等等的時候，大數(shù)據(jù)的威力才會伴隨著巨大的使用規(guī)模而發(fā)揮出來。

展望一下未來的話，如果參照以前的技術(shù)革命和行業(yè)發(fā)展來看大數(shù)據(jù)，那么大數(shù)據(jù)的底層設(shè)施將會逐漸被隔離，被模塊化和標(biāo)準(zhǔn)化，甚至是自動化，而在其上的中間層和應(yīng)用層將成為各大公司的數(shù)據(jù)工程師們激烈攻克的主戰(zhàn)場。

硅谷公司的大數(shù)據(jù)運(yùn)行現(xiàn)狀

目前硅谷各個公司的數(shù)據(jù)處理水平和模式差別還是蠻大的。除Facebook等幾個很領(lǐng)先的公司外，大部分公司要么還沒有能力自行處理數(shù)據(jù)，要么就是正在建立單獨(dú)的數(shù)據(jù)處理部門，主要負(fù)責(zé)從數(shù)據(jù)基本處理到后期分析的各個環(huán)節(jié)，然后再送到公司內(nèi)部的其他部門。

對于這些公司來說，建立一個單獨(dú)的數(shù)據(jù)處理部門可能還有還路漫漫其修遠(yuǎn)兮。普遍來說，各公司自主建立數(shù)據(jù)處理平臺存在著幾個難點(diǎn)：

1.沒有足夠優(yōu)秀的數(shù)據(jù)工程師來組建團(tuán)隊

2.沒有足夠能力整合數(shù)據(jù)

3.沒有易于操作的基礎(chǔ)軟硬件來支持?jǐn)?shù)據(jù)分析

這幾個主要難點(diǎn)使得大數(shù)據(jù)分析越來越專業(yè)化、服務(wù)化，以至于我們漸漸看到一條“硅谷數(shù)據(jù)處理產(chǎn)業(yè)鏈”的出現(xiàn)。從數(shù)據(jù)的儲存，數(shù)據(jù)分析平臺建立，到數(shù)據(jù)分析，數(shù)據(jù)可視化等等各個環(huán)節(jié)的成本越來越高，這使得本身技術(shù)能力很強(qiáng)的公司都還是使用專業(yè)數(shù)據(jù)處理公司提供的服務(wù)，而將更多的人才和資源放到核心業(yè)務(wù)的開發(fā)上。

另外，就是各個公司對于數(shù)據(jù)處理的要求也越來越高。不僅僅需要有效的處理結(jié)果，也需要數(shù)據(jù)處理可以self-service、self-managing、保證數(shù)據(jù)安全性、完善實(shí)時分析。這些諸多需求也使得專業(yè)化團(tuán)隊的優(yōu)勢更加突出。而這樣一條整合服務(wù)鏈的行程，也給眾多的大數(shù)據(jù)公司提供了機(jī)會。

即使存在很多投機(jī)貼標(biāo)簽的人，即使一片片的大數(shù)據(jù)startups被拍死在沙灘上，即使Gartner預(yù)測大數(shù)據(jù)概念將被回歸現(xiàn)實(shí)，但相信會有更多的人投入到大數(shù)據(jù)這個行業(yè)，開發(fā)出更智能，更有影響力的產(chǎn)品。畢竟，大數(shù)據(jù)本身，不像一個單純的pitch那樣，它能夠保證的是一定可以中看并且中用。

硅谷巨頭們的大數(shù)據(jù)玩法

將一共呈現(xiàn)硅谷四大不同類型的公司如何玩轉(zhuǎn)大數(shù)據(jù)，其中包括了著名FLAG中的三家(Apple在大數(shù)據(jù)這塊來說表現(xiàn)并不突出)。

Evernote：今年新建AI部門劍指深度學(xué)習(xí)

Evernote的全球大會上，CEOPhilLibin提到，Evernote的一個重要方向就是“讓Evernote變成一個強(qiáng)大的大腦”。要實(shí)現(xiàn)這個目標(biāo)，就不得不提他們剛剛整合改組的AugmentedIntelligence團(tuán)隊(以下簡稱AIteam)。

是什么

Zeesha是這個團(tuán)隊里元老級的人物：“我是在2012年加入Evernote的，直接加入到了當(dāng)時剛剛建立的數(shù)據(jù)處理團(tuán)隊，這也就是現(xiàn)在AIteam的雛形。我們最開始的項(xiàng)目都是簡單易行的小項(xiàng)目，比如按照你的個人打字方式來優(yōu)化用戶的輸入體驗(yàn)。”

傳統(tǒng)意義上的AI指的是通過大量數(shù)據(jù)和算法讓機(jī)器學(xué)會分析并作出決定。而這里講到IA則是讓電腦進(jìn)行一定量的運(yùn)算，而終極目的是以之武裝人腦，讓人來更好的做決定。這兩個概念在具體實(shí)施中自然有不少相通之處，但是其出發(fā)點(diǎn)卻是完全不同的。

這個區(qū)別也是EvernoteAIteam的亮點(diǎn)所在。作為一個筆記記錄工具，Evernote與Google之類的搜索引擎相比，最大的區(qū)別就是它非常的個人化。用戶所儲存的筆記、網(wǎng)站鏈接、照片、視頻等都是他思維方式和關(guān)注點(diǎn)的體現(xiàn)。

從哪來

Zeesha小組的初衷便是，通過分析用戶儲存的筆記來學(xué)習(xí)其思維方式，然后以相同的模式從第三方數(shù)據(jù)庫(也就是互聯(lián)網(wǎng)上的各種開源信息)抽取信息推送給用戶，從而達(dá)到幫助用戶思考的過程。從這個意義上講，Zeesha版的未來Evernote更像是一個大腦的超級外掛，為人腦提供各種強(qiáng)大的可理解的數(shù)據(jù)支持。

到哪去

不用說，這樣一個新創(chuàng)團(tuán)隊自然也面臨這諸多方面的挑戰(zhàn)。當(dāng)下一個比較重要的技術(shù)難點(diǎn)就是Evernote用戶的數(shù)據(jù)量。雖然Evernote的用戶量已經(jīng)達(dá)到了一億，但是由于整個團(tuán)隊的關(guān)注點(diǎn)在個人化分析，外加隱私保護(hù)等諸多原因，AIteam并沒有做跨用戶的數(shù)據(jù)分析。

這樣做的結(jié)果就是團(tuán)隊需要分析一億組各不相同的小數(shù)據(jù)組。比如，假設(shè)我只在Evernote上面存了10個筆記，那Evernote也應(yīng)該能夠通過這些少量的數(shù)據(jù)來分析出有效結(jié)果。當(dāng)然，這些技術(shù)的直接結(jié)果是用戶用Evernote越多，得到的個性化用戶體驗(yàn)就越好。長期來講，也是一個可以增加用戶黏性的特點(diǎn)。

Facebook：大數(shù)據(jù)主要用于外部廣告精準(zhǔn)投放和內(nèi)部交流

Facebook有一個超過30人的團(tuán)隊花了近4年的時間才建立了Facebook的數(shù)據(jù)處理平臺。如今，F(xiàn)acebook仍需要超過100名工程師來支持這個平臺的日常運(yùn)行?？上攵?，光是大數(shù)據(jù)分析的基礎(chǔ)設(shè)施就已經(jīng)是一個耗時耗力的項(xiàng)目了。

Facebook的一大價值就在于其超過13.5億活躍用戶每天發(fā)布的數(shù)據(jù)。而其大數(shù)據(jù)部門經(jīng)過七八年的摸索，才在2013年把部門的keyfoundation定位成廣告的精準(zhǔn)投放，開始建了一整套自己的數(shù)據(jù)處理系統(tǒng)和團(tuán)隊。并進(jìn)行了一系列配套的收購活動，比如買下世界第二大廣告平臺Atlas。

目前公司超過30%的團(tuán)隊，包括工程師、ProductManagers、BusinessAnalysts等多個職位人群每個月都一定會使用這項(xiàng)服務(wù)。這個數(shù)據(jù)處理平臺的建立讓各個不同部門之間可以通過數(shù)據(jù)容易地交流，明顯改變了公司的運(yùn)行方式。

小扎克在2013年第一季度戰(zhàn)略時提到的最重點(diǎn)就是公司的大數(shù)據(jù)方向，還特別提出不對盈利做過多需求，而是要求基于大數(shù)據(jù)來做好以下三個功能：

·發(fā)布新的廣告產(chǎn)品。比如類似好友，管理特定好友和可以提升廣告商精確投放的功能。

·除與Datalogix,Epsilon,Acxiom和BlueKai合作外，以加強(qiáng)廣告商定向投放廣告的能力。

·通過收購AtlasAdvertisingSuite，加強(qiáng)廣告商判斷數(shù)字媒體廣告投資回報率(ROI)。

LinkedIn：大數(shù)據(jù)如何直接支持銷售和變現(xiàn)賺錢

LinkedIn大數(shù)據(jù)部門的一個重要功用是分析挖掘網(wǎng)站上巨大的用戶和雇主信息，并直接用來支持銷售并變現(xiàn)。其最核心團(tuán)隊商業(yè)分析團(tuán)隊的總監(jiān)SimonZhang說，現(xiàn)在國內(nèi)大家都在討論云，討論云計算，討論大數(shù)據(jù)，討論大數(shù)據(jù)平臺，但很少有人講：我如何用數(shù)據(jù)產(chǎn)生更多價值，通俗點(diǎn)講，直接賺到錢。

但這個問題很重要，因?yàn)殛P(guān)系到直接收入。四年半前LinkedIn內(nèi)所有用戶的簡歷里抽取出來大概有300萬公司信息，作為銷售人員不可能給每個公司都打電話，所以問題來了：哪家公司應(yīng)該打?打了后會是個有用的call?

銷售們?nèi)朣imon，他說只有通過數(shù)據(jù)分析。而這個問題的答案在沒有大數(shù)據(jù)部門之前這些決策都是拍腦袋想象的。

Simon和當(dāng)時部門僅有的另外三個同事寫出了一個模型后發(fā)現(xiàn)：真正買LinkedIn服務(wù)的人，在決定的那個環(huán)節(jié)上，其實(shí)是一線的產(chǎn)品經(jīng)理，和用LinkedIn在上面獵聘的那些人。但他們做決策后是上面的老板簽字，這是一個迷惑項(xiàng)。數(shù)據(jù)分析結(jié)果出來后，他們銷售人員改變投放策略，把目標(biāo)群體放在這些中層的管理人身上，銷售轉(zhuǎn)化率瞬間增加了三倍。

今天LinkedIn的“獵頭”這塊業(yè)務(wù)占據(jù)了總收入的60%。是怎么在四年里發(fā)展起來的，他透露當(dāng)時建造這個模型有以下這么幾個步驟：

1.分析每個公司它有多少員工。

2.分析這個公司它招了多少人。

3.分析人的位置功能職位級別一切參數(shù)，這些都是我們模型里面的各種功能。

4.然后去分析，他們內(nèi)部有多少HR員工，有多少負(fù)責(zé)獵頭的人，他們獵頭的流失率，他們每天在Linkedin的活動時間是多少。

這是LinkedIn大數(shù)據(jù)部門最早做的事情。

Simon講，公司內(nèi)部從大數(shù)據(jù)分析這一個基本項(xiàng)上，可以不斷迭代出新產(chǎn)品線。LinkedIn的三大商業(yè)模型是人才解決方案、市場營銷解決方案和付費(fèi)訂閱，也是我們傳統(tǒng)的三大收入支柱。事實(shí)上我們還有一個，也就是第四個商業(yè)模型，叫“銷售解決方案”，已經(jīng)在今年7月底上線。這是賣給企業(yè)級用戶的。LinkedIn大數(shù)據(jù)系統(tǒng)是一個牛逼的模型，只需要改動里面一下關(guān)鍵字，或者一個參數(shù)，就可以變成另一個產(chǎn)品。“我們希望能幫到企業(yè)級用戶，讓他們在最快的速度里知道誰會想買你的東西。”

Google：一個閉環(huán)的大數(shù)據(jù)生態(tài)圈

2011年，Google推出了基于Google基礎(chǔ)架構(gòu)為客戶提供大數(shù)據(jù)的查詢服務(wù)和存儲服務(wù)的BigQuery，有點(diǎn)類似于Amazon的AWS，雖然目前從市場占有率上看與AWS還不在一個數(shù)量級，但價格體系更有優(yōu)勢。Google通過這個迎上了互聯(lián)網(wǎng)公司拼服務(wù)的風(fēng)潮，讓多家第三方服務(wù)中集成了BigQuery可視化查詢工具。搶占了大數(shù)據(jù)存儲和分析的市場。

BigQuery和GAE(GoogleAppEngine)等Google自有業(yè)務(wù)服務(wù)器構(gòu)建了一個大數(shù)據(jù)生態(tài)圈，程序創(chuàng)建，數(shù)據(jù)收集，數(shù)據(jù)處理和數(shù)據(jù)分析等形成了閉環(huán)。再來看Google的產(chǎn)品線，搜索，廣告，地圖，圖像，音樂，視頻這些，都是要靠大數(shù)據(jù)來支撐，根據(jù)不同種類數(shù)據(jù)建立模型進(jìn)行優(yōu)化來提升用戶體驗(yàn)提升市場占有率的。

單獨(dú)說一下Googlemaps，這個全球在移動地圖市場擁有超過40%的市場占有率的產(chǎn)品，也是美國這邊的出行神器。它幾乎標(biāo)示了全球有互聯(lián)網(wǎng)覆蓋的每個角落，對建筑物的3D視覺處理也早在去年就完成，這個數(shù)據(jù)處理的工作量可能是目前最大的了，但這也僅限于數(shù)據(jù)集中的層面。真正的數(shù)據(jù)分析和挖掘體現(xiàn)在：輸入一個地點(diǎn)時，最近被最多用戶采用的路徑會被最先推薦給用戶。

Google還把Google＋，Panoramio和其他Google云平臺的圖片進(jìn)行了標(biāo)記和處理，將圖片內(nèi)容和地理位置信息地結(jié)合在一起，圖像識別和社交系統(tǒng)評分處理后，Google能夠把質(zhì)量比較高的的圖片推送給用戶，優(yōu)化了用戶看地圖時的視覺感受。

大數(shù)據(jù)為Google帶來了豐厚的利潤，比如在美國你一旦上網(wǎng)就能感覺到時無處不在的Google廣告(AdSense)。當(dāng)然，它是一把雙刃劍，給站長們帶來收入的同時，但如何平衡用戶隱私的問題，是大數(shù)據(jù)處理需要克服的又一個技術(shù)難關(guān)，或許還需要互聯(lián)網(wǎng)秩序的進(jìn)一步完善去支持。

除Facebook等幾個很領(lǐng)先的公司外，大部分公司要么還沒有自行處理數(shù)據(jù)的能力。最后附上兩個例子，想說這邊的大公司沒有獨(dú)立大數(shù)據(jù)部門也是正常的，采取外包合作是普遍現(xiàn)象：

Pinterest：

Pinterest曾嘗試自行通過AmazonEMR建立數(shù)據(jù)處理平臺，但是因?yàn)槠浞€(wěn)定性無法控制和數(shù)據(jù)量增長過快的原因，最終決定改為使用Qubole提供的服務(wù)。在Qubole這個第三方平臺上，Pinterest有能力處理其0.7億用戶每天所產(chǎn)生的海量數(shù)據(jù)，并且能夠完成包括ETL、搜索、adhocquery等不同種類的數(shù)據(jù)處理方式。盡管Pinterest也是一個技術(shù)性公司，也有足夠優(yōu)秀的工程師來建立數(shù)據(jù)處理團(tuán)隊，他們依然選擇了Qubole這樣的專業(yè)團(tuán)隊來完成數(shù)據(jù)處理服務(wù)。

Nike:

不僅僅硅谷的互聯(lián)網(wǎng)公司，眾多傳統(tǒng)企業(yè)也逐漸開始使用大數(shù)據(jù)相關(guān)技術(shù)。一個典型的例子就是Nike。Nike從2012年起與API服務(wù)公司Apigee合作，一方面，他們通過Apigee的API完善公司內(nèi)部的數(shù)據(jù)管理系統(tǒng)，讓各個部門的數(shù)據(jù)進(jìn)行整合，使得公司內(nèi)部運(yùn)行更加順暢、有效率。另一方面，他們也通過API開發(fā)NikeFuelBand相關(guān)的移動產(chǎn)品。更是在2014年開啟了Nike＋FuelLab項(xiàng)目，開放了相關(guān)API，使得眾多的開放者可以利用Nike所收集的大量數(shù)據(jù)開發(fā)數(shù)據(jù)分析產(chǎn)品，成功地連接了Nike傳統(tǒng)的零售業(yè)務(wù)，新的科技開發(fā)，和大數(shù)據(jù)價值。