当下，大数据的趋势已逐步从概念走向落地，而在IT人跟随大数据浪潮的转型中，各大企业对大数据高端人才的需求也越来越紧迫。这一趋势，也给想要从事大数据方面工作的人员提供了难得的职业机遇。
思数云计算和大数据服务中心，简称思数云（隶属于北京思数科技有限公司），是国内专业大数据分析培训、咨询机构。中国云计算大数据处理委员会、与中科院软件所、清华大学以及Google、Yahoo、腾讯、阿里、移动研究院等大数据技术人员一起合作，在2012年组建了”NewBI-思数云服务” 大数据服务中心。
思数云从长期实践总结出大数据主要的三大就业方向：大数据系统研发类人才、大数据应用开发类人才和大数据分析类人才。在此三大方向中，各自的基础岗位一般为大数据系统研发工程师、大数据应用开发工程师和数据分析师。
从企业方面来说，大数据人才大致可以分为产品和市场分析、安全和风险分析以及商业智能三大领域。产品分析是指通过算法来测试新产品的有效性，是一个相对较 新的领域。在安全和风险分析方面，数据科学家们知道需要收集哪些数据、如何进行快速分析，并最终通过分析信息来有效遏制网络入侵或抓住网络罪犯。
一、ETL研发
随着数据种类的不断增加，企业对数据整合专业人才的需求越来越旺盛。ETL开发者与不同的数据来源和组织打交道，从不同的源头抽取数据，转换并导入数据仓库以满足企业的需要。
ETL研发，主要负责将分散的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
目前，ETL行业相对成熟，相关岗位的工作生命周期比较长，通常由内部员工和外包合同商之间通力完成。ETL人才在大数据时代炙手可热的原因之一是：在企业大数据应用的早期阶段，Hadoop只是穷人的ETL。
二、Hadoop开发
Hadoop的核心是HDFS和MapReduce.HDFS提供了海量数据的存储，MapReduce提供了对数据的计算。随着数据集规模不断增大，而传统BI的数据处理成本过高，企业对Hadoop及相关的廉价数据处理技术如Hive、HBase、MapReduce、Pig等的需求将持续增长。如今具备Hadoop框架经验的技术人员是最抢手的大数据人才。
三、可视化（前端展现）工具开发
海量数据的分析是个大挑战，而新型数据可视化工具如Spotifre，Qlikview和Tableau可以直观高效地展示数据。
可视化开发就是在可视开发工具提供的图形用户界面上，通过操作界面元素，由可视开发工具自动生成应用软件。还可轻松跨越多个资源和层次连接您的所有数 据，经过时间考验，完全可扩展的，功能丰富全面的可视化组件库为开发人员提供了功能完整并且简单易用的组件集合，以用来构建极其丰富的用户界面。
过去，数据可视化属于商业智能开发者类别，但是随着Hadoop的崛起，数据可视化已经成了一项独立的专业技能和岗位。
四、信息架构开发
大数据重新激发了主数据管理的热潮。充分开发利用企业数据并支持决策需要非常专业的技能。信息架构师必须了解如何定义和存档关键元素，确保以最有效的方式进行数据管理和利用。信息架构师的关键技能包括主数据管理、业务知识和数据建模等。
五、数据仓库研究
数据仓库是为企业所有级别的决策制定过程提供支持的所有类型数据的战略集合。它是单个数据存储，出于分析性报告和决策支持的目的而创建。为企业提供需要业务智能来指导业务流程改进和监视时间、成本、质量和控制。
数据仓库的专家熟悉Teradata、Neteeza和Exadata等公司的大数据一体机。能够在这些一体机上完成数据集成、管理和性能优化等工作。
六、OLAP开发
随着数据库技术的发展和应用，数据库存储的数据量从20世纪80年代的兆（M）字节及千兆（G）字节过渡到现在的兆兆（T）字节和千兆兆（P）字节，同时，用户的查询需求也越来越复杂，涉及的已不仅是查询或操纵一张关系表中的一条或几条记录，而且要对多张表中千万条记录的数据进行数据分析和信息综合。联机分析处理（OLAP）系统就负责解决此类海量数据处理的问题。
OLAP在线联机分析开发者，负责将数据从关系型或非关系型数据源中抽取出来建立模型，然后创建数据访问的用户界面，提供高性能的预定义查询功能。
七、数据科学研究
这一职位过去也被称为数据架构研究，数据科学家是一个全新的工种，能够将企业的数据和技术转化为企业的商业价值。随着数据学的进展，越来越多的实际工作 将会直接针对数据进行，这将使人类认识数据，从而认识自然和行为。因此，数据科学家首先应当具备优秀的沟通技能，能够同时将数据分析结果解释给IT部门和业务部门领导。
总的来说，数据科学家是分析师、艺术家的合体，需要具备多种交叉科学和商业技能。
八、数据预测（数据挖掘）分析
营销部门经常使用预测分析预测用户行为或锁定目标用户。预测分析开发者有些场景看上有有些类似数据科学家，即在企业历史数据的基础上通过假设来测试阈值并预测未来的表现。
九、企业数据管理
企业要提高数据质量必须考虑进行数据管理，并需要为此设立数据管家职位，这一职位的人员需要能够利用各种技术工具汇集企业周围的大量数据，并将数据清洗 和规范化，将数据导入数据仓库中，成为一个可用的版本。然后，通过报表和分析技术，数据被切片、切块，并交付给成千上万的人。担当数据管家的人，需要保证 市场数据的完整性，准确性，唯一性，真实性和不冗余。
十、数据安全研究
数据安全这一职位，主要负责企业内部大型服务器、存储、数据安全管理工作，并对网络、信息安全项目进行规划、设计和实施。数据安全研究员还需要具有较强的管理经验，具备运维管理方面的知识和能力，对企业传统业务有较深刻的理解，才能确保企业数据安全做到一丝不漏。
转载请注明来自36大数据（)： &
除非特别注明，本站所有文章均不代表本站观点。报道中出现的商标属于其合法持有人。请遵守理性，宽容，换位思考的原则。> 大数据行业就业：三大方向，十大职位 > 正文
大数据行业就业：三大方向，十大职位
&&& 当下，大数据的趋势已逐步从概念走向落地，而在IT人跟随大数据浪潮的转型中，各大企业对大数据高端人才的需求也越来越紧迫。这一趋势，也给想要从事大数据方面工作的人员提供了难得的职业机遇。
　　当下，大数据的趋势已逐步从概念走向落地，而在IT人跟随大数据浪潮的转型中，各大企业对大数据高端人才的需求也越来越紧迫。这一趋势，也给想要从事大数据方面工作的人员提供了难得的职业机遇。
　　思数云计算和大数据服务中心，简称思数云（隶属于北京思数科技有限公司），是国内专业大数据分析培训、咨询机构。中国云计算大数据处理委员会、与中科院软件所、清华大学以及Google、Yahoo、腾讯、阿里、移动研究院等大数据技术人员一起合作，在2012年组建了”NewBI-思数云服务” 大数据服务中心。
　　思数云从长期实践总结出大数据主要的三大就业方向：大数据系统研发类人才、大数据应用开发类人才和大数据分析类人才。在此三大方向中，各自的基础岗位一般为大数据系统研发工程师、大数据应用开发工程师和数据分析师。
　　从企业方面来说，大数据人才大致可以分为产品和市场分析、安全和风险分析以及商业智能三大领域。产品分析是指通过算法来测试新产品的有效性，是一个相对较 新的领域。在安全和风险分析方面，数据科学家们知道需要收集哪些数据、如何进行快速分析，并最终通过分析信息来有效遏制网络入侵或抓住网络罪犯。
　　一、ETL研发
　　随着数据种类的不断增加，企业对数据整合专业人才的需求越来越旺盛。ETL开发者与不同的数据来源和组织打交道，从不同的源头抽取数据，转换并导入数据仓库以满足企业的需要。
　　ETL研发，主要负责将分散的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
　　目前，ETL行业相对成熟，相关岗位的工作生命周期比较长，通常由内部员工和外包合同商之间通力完成。ETL人才在大数据时代炙手可热的原因之一是：在企业大数据应用的早期阶段，Hadoop只是穷人的ETL。
　　二、Hadoop开发
　　Hadoop的核心是HDFS和MapReduce.HDFS提供了海量数据的存储，MapReduce提供了对数据的计算。随着数据集规模不断增大，而传统BI的数据处理成本过高，企业对Hadoop及相关的廉价数据处理技术如Hive、HBase、MapReduce、Pig等的需求将持续增长。如今具备Hadoop框架经验的技术人员是最抢手的大数据人才。
　　三、可视化（前端展现）工具开发
　　海量数据的分析是个大挑战，而新型数据可视化工具如Spotifre，Qlikview和Tableau可以直观高效地展示数据。
tags:&&&&&&1上一页
上一篇：()下一篇：()
&读完这篇文章后，您心情如何？
&相关阅读：
网友评论：　　　　　　　　　　　　　　已有条评论，共人参与，行业发展迅猛，100万大数据人才缺口怎么补？
　　2016年2月，万达一份50-70万年薪的求贤贴一度引爆社交媒体，甚至连正统的财经媒体都加入阵营，一起讨论什么样的人才这样走俏。在这份求贤贴里，万达希望吸纳的人材包括：（资深）大数据架构师、（资深）大数据研发工程师、（资深）算法工程师等，年薪全都开到50&70万。小牛学堂著名大数据讲师徐培成告诉记者，万达招募的一系列职位，都属于大数据人才。&50&70万年薪对资深大数据人才来说并不算高。&他表示，有建模经验的大数据人才拿到100多万年薪，在他认识的人里是很常见的事。　　麦肯锡预测，到2018年，在&具有深入分析能力的人才&方面，可能面临着14万到19万的缺口，而&可以利用大数据分析来做出有效决策的经理和分析师&缺口则会达到150万。　　徐培成所在的平台小牛学堂，是国内第一家面向大学生等小白用户提供大数据技能培训的在线教育平台。徐培成之所以成为小牛学堂的讲师，是因为他很看好这一平台的发展。&国内有大数据专家估算过，5年内国内的大数据人才缺口会达到130万。这么大规模的缺口，仅仅依靠培训有经验的IT工程师来弥补不现实。有经验的IT工程师可以在短期培训后进行带队，但还得有具体干活的人。&他说。　　靠有经验的人弥补人才缺口不现实　　仅仅依靠有经验的程序员来弥补大数据人才缺口确实不现实。　　一方面，中国程序员的数量本就不多。根据IDC2014年的数据，中国程序员数量仅为185万，这还包括业余爱好者、web开发测试、andriod开发测试、iOS开发测试等各行业在内。小牛学堂人才输送负责人深入分析了一家公司内程序员的结构：在公司里，初级程序员、测试员和高级程序员的比率在1:10左右，甚至更多，这说明能独立胜任开发、带队的高级程序员不到19万人。&另一方面，由于各领域的程序员上升通道都极其广阔，薪资可观，要想一名在本身领域有一定积累的程序员有意愿变换轨道从事大数据，就目前来看，并没有客观存在的土壤。　　&大数据与web、andriod、iOS都是基于编程这一基础上的应用，是同一学科的不同子专业，同是稀缺的程序员。从薪资层面讲，一名程序员主攻web、andriod或iOS，5年经验月薪达到10万是很正常的事，与同样资历的大数据人才薪资相当。主攻web、andriod或iOS的程序员对转攻大数据的意愿并不大。& 小牛学堂人才输送负责人分析，&对大数据最感兴趣的，反而是还没选定职业路径的大学生等开发菜鸟。&　　弥补人才鸿沟大学生是关键　　大数据将为社会带来三方面变革：一是思维变革，分析对象将由随机样本转为全体数据，且强调混杂性而非精确性，强调相关关系而非因果关系；二是商业变革，大数据时代一切皆可量化，数据创新成为创业机会，数据、技术与思维三足鼎立，形成完整的价值链；三是管理变革，信息部门、IT部门有望由成本中心转为利润中心，决策将由业务导向转为数据导向。　　在这一趋势下，各行业将大数据纳入企业日常配置已成必然之势，无论是新兴的网，还是传统的建筑、餐饮、居住。　　小牛学堂认为，未来5到10年，随着IT技术的渗透，市场对大数据人才的需求还会呈大幅增长趋势。因此，找到从根本解决大数据人才供需问题，将成为在线教育行业的大机会。　　从2014年到2015年，整个IT教育行业都极为火爆，围绕有经验的程序员为核心用户推出免费和收费技能提高课程不计其数。　　拥有10多年线下职业培训经验的小牛学堂创始团队，却看到市场火爆背后的局限&&满足市场需求不仅在于让有经验的人学会更多技能，将没有经验的人培训上岗才是更大的蓝海。　　2016年，小牛学堂针对大学生用户推出大数据公开课，采用直播加国内主流企业的技术牛人的方式授课。其课程甫一上线，单个课程报名人数突破几百万。　　小牛学堂提供的大数据人才供需难题解决方案获得了全球第一家数据交易中心贵阳大数据交易所的认可。2015年，小牛学堂成为贵阳大数据交易所首家合作培养机构，共同为培养大数据人才制订方案和树立标准。　　&市场对人才需求旺盛，一个表现是其对初级人才的需求增加。而从2016年初开始，市场给出的大数据初级职位越来越多。& 小牛学堂著名大数据讲师徐培成说，今年起不少熟识的企业找他介绍大数据初级人才。　　根据第四届中国人才博览会发布《全国大数据人才需求指数报告》，2016年2月份，贵阳大数据人才月薪已逼近8000元。但这仅仅只是开始。以大数据应用较多的为例，这一行业每年增速达到4倍，届时，仅互联网金融需要的大数据人才就是现在需求的4倍以上。如何从根本上解决大数据初级人才供给需求，为职业培训机构提供了市场机会。谁能最快找到行之有效的解决办法，就能最快占领这一市场。徐培成说，&我看好小牛学堂就在于，小牛学堂是这个市场上跑得最早最快的团队。&
（责任编辑： HN666）
05/05 07:2405/04 19:1505/04 11:0405/03 08:5205/02 22:3604/30 13:0104/30 06:2604/29 14:31
新闻精品推荐
每日要闻推荐
社区精华推荐
精彩焦点图鉴
　　【免责声明】本文仅代表作者本人观点，与和讯网无关。和讯网站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。热门推荐：
　　大数据的概念最早可以追溯到2001年麦肯锡的一份报告。2009年，美国将大数据上升为国家战略资源。2012年左右大数据开始在中国崭露头角。到了2015年，大数据行业开始疯狂生长，一年时间增加了500多家。2015年超过50家大数据公司进行融资，总融资金额超过50亿人民币。“大数据+”已经渗透到几乎所有行业，如“大数据+零售”、“大数据+医疗”、“大数据+房地产”等等。可以说，大数据领域正在慢慢成为风口。
　　日，作为重点关注大数据领域并且已经做出多项投资的机构，蓝驰创投举办了《大数据领域创业的机遇与挑战》论坛。论坛上，蓝驰创投合伙人朱天宇、投资总监曹巍、投资总监吴佳捷等分享了关于大数据的现状、机会与前景，看看他们怎么说。
　　朱天宇：大数据的创业时机到了
　　我们今天讲三个部分：时机。时机是很多创业里最关键的一个因素。第二，在大数据这个领域里创业可能面临的一些挑战。第三，我们蓝驰已经在做哪些方面的布局和思考，有哪些机会是我们看重的。
　　其实说到大数据这个行业的时机，我们会从这两个方面说：第一，行业内部内生的一些需求，第二，政策的拉动。这两方面都构成了我们觉得目前大数据创业这个时机已经呼之欲出的一个原因。
　　首先说行业内部的需求。其实说大数据创业首先要说到企业服务。中国过去这么十年、十五年以来，以互联网为代表的消费已经如火如荼这么多年，现在大家说红利已经差不多了。大家为什么在过去半年都在讨论企业服务的春天到了？其实我们都知道，中国过去二三十年改革过来，每个行业效率递进，其实在大部分行业，除了我们比较熟悉的互联网行业，它是精细化，比较追求效率优化运作方式在运作之外，大部分经济体内大部分行业它的效率依然还是比较粗放，精细化运作依然是缺少的。这一个很大的原因是说，在中国经济体有很多行业的龙头企业，比如说超大型国企，一些国资委管理的企业，它们本身在效率的追求还是不够。这些行业的龙头企业对于效率的追求的动力的不足，实际上导致了每个行业链条下，围绕它的中下游企业，企事业没有把效率作为企业发展的核心目标。所以导致这里我们看到身边很多企业都是以关系寻租型在做生意，而不是追求精细化运作。所以这是目前大数据我们看到的一个春天。从供给侧的提法来看，其实本届政府对于企业在效率方面提升所创造的红利是非常关注的。所以那些龙头的国企已经受到很大的压力，当它们关注成本效率的时候，企业服务给它提供削减成本的模式，这个工具和服务是不是会比以前卖的更好？所以这是我们看到春天来的一个最大的动因。这个动因根本首先它是一个政治问题，而不是经济问题。
　　其次，信息化的企业洼地率先成为大数据的沉积地。这是什么意思？我们看到本届政府提到的大数据作为国策之一，国务院也发布了很多大数据发展纲要。但是中国政府提的大数据里，其实它的含义本身是信息化的问题。因为很多企业信息化还没有达到，在这里有很多洼地。先不要提大数据，先把企业是不是真正按照数据的方式进行驱动的经营管理，企业流程业务生产系统当中业务流程当中那些数字是不是真的能抓出来，真正把这些数据拿去做效率优化的改进，其实并没有。这些空白实际上也是我们创业公司的机会。就是说我们虽然可以说我们在做大数据创业，但是很可能我们大数据创业起点是先从信息化开始的。但是只做信息化肯定是远远不够的。后面会讲到每个层级的递进。虽然我们从信息化洼地开始，但是它们会率先成为大数据的沉积地。像医院的病例数据并没有得到很好的处理，但是现在如果有很好的技术我们把它抓起来，形成医学大脑，这个速度可能会比其他行业大数据业务发展的还要快。什么是跨越式发展？这类似于中国九十年代开始去重新布线程控电话，但是同时在美国又同感电话资产已经积累了很多年，其实程控电话发展比美国还要快，就是直接跳过了一代技术直接往后。我们发现这就是在行业机会上的判断。我们发现在有些行业上，如果那个行业真的非常落后，甚至我们可能用很创新的技术，颠覆性的直接把这个行业的机会拿下，比别人走的更快，比别人拿的数据更多。这是我看到目前行业内生需求的几个特征。
　　接下来想分享一下在大数据创业里头我们可能遇到的挑战。首先我们看到三个层次的挑战，我们说从0到1创业维艰，但是在大数据创业来讲不光是从O到2，而是从负1到0的问题，这就是我说的数据冷启动的问题。因为没有数据，拿不到数据，大数据创业，大数据价值创造从何而来呢？
　　像大家看到的很多在线支付行业起步的时候，快捷什么的，它们虽然想复制PayPal，但是做半年、一年才发现，在中国首先要做的事情是帮银行补课。而这个在美国市场，在五六十年代已经开始逐步的电子化、信息化，到八十年代信息化已经非常成熟了，到了九十年代互联网一上来立刻互联网化效率很快的提升，再往后移动互联网。而在中国会发现，这几个阶段可能要两三步并做一步去走。这种超常的跨越式发展，一方面对于创业者挑战非常大，但是一方面对大家来讲也是机会。如果你识别出这样的空白，识别出这样超常跨越式机会，你就会站到这个行业的潮头。我们说数据冷启动往往被迫从信息化开始，要被迫做非常苦、非常累的活，才有可能拿到数据，才能开始数据炼金的路。
　　接下来有了数据，你怎么赚钱？有了数据就能赚到钱了吗？其实并不如此。这里很关键的点，就是怎么理解行业客户的应用场景。因为数据本身并不是能产生价值，你能给客户解决问题才能产品，而用户的需求在哪儿，而我们这儿提到的是用户的真实需求。在一线工作人员和部门的老总，和公司的老总需求是一样的吗，他们的需求都能说出来吗？真说不出来，但是又说不出来；能说出来但是又不想说。你不能对客户掌控，甚至商务关系的亲近，能把这些话套出来，能把真实的需求套出来。因为这跟做消费者，跟to C的业务不一样，to B面临的不是一个消费者，消费者简单，你把体验做到极致就搞定了，但是面对一个企业的时候克服的挑战更多。
　　这里列了几个，我们觉得在行业上可能率先会有比较典型的应用场景，而且我们也看到大量的创业公司都尽量：金融、安全、物联网、农业、物流等等。
　　有了场景，有了商业产品和服务之后，再上一层楼，我们的收费模式是怎样的？对于企业服务而言的话，是按项目收费，还是按服务量收费？大家比较熟悉的是按项目收费，我提供一个数据服务，像SaaS一样，你付我多少钱。但是这是大数据商业模式的真正本质吗？我们这里关注的是能不能按服务量收费？就是你手里有很多数据和工具，用户在你这里跑一次，你能不能吐出一些给企业有用的结果，能够创造一些新的价值的结果，能有一些让他不得不花钱买单的结果，这个可能是一次数字的检验，也可能像授信，像征信的核查一下，或者是一个问题的搜索。当按服务量收费的时候，这个模式的收费能力和按项目收费的能力完全不一样的，而且这才真正体现了我们拿到了一个有价值的大数据的收费服务。所以在这块也是我们进一步的一个挑战和思考。
　　我这儿有三个关键词，如果能把这个关键词带走，就能让大家后悔的目的。第一，从负1到0。就是刚才说的数据冷启动的问题。每一个关键词背后其实是问题，并不是关键词。当你想到负1到0的时候你要问自己哪些问题。第二，场景。不光是数据问题，你对场景熟悉到什么程度，你对客户需求到底了解到什么程度，才有可能真正建立自己的产品和商业模式，赚到钱。第三，定价权。这三关键词是针对不同阶段的创业者，对于刚起步的可能从负1到0是你当下要关注的，对于已经上路的同志来讲，场景是不是你之前忽略的，你有没有更好的方式去获得更有洞察力场景的知识。对于想更上一层楼的创业者，脑子里要想的是定级权，背后要问自己哪些问题，怎么样获得你强有力的数据源，怎么样建构你技术的壁垒，怎么样真正提供一个好的产品服务，让别人只能到你这儿来买单。
　　曹巍：大数据+Fintech，信贷、财富管理、保险处处是机会
　　其实金融行业说实话，它是一个天然和数据相关，而且每天都在产量大量数据的行业，我们把这个行业其实重点的一些领域拿出来，我觉得这个实际上是更多的跟大家的一个分享和探讨。比如说，第一个我们给它定义为垂直交易类平台的机会。金融市场最重要的是在做资源调配，我们每买一股股票，或者每投资一个基金，我们都在潜移默化帮助市场做资源配置。垂直交易平台，围绕股票、基金、外汇、大宗商品交易平台是一个很重要的方向。做大数据创业团队围绕这个的话，要通过数据维度挖掘买到被低估的股票或者表现良好的基金，甚至预判国际风云的变化，帮助自己资产的保值和增值。这块通过数据的分析我觉得大有可为。
　　另外，我们在看这个方向的时候我们还很关注用户端的数据。因为每一个金融的细分垂直交易平台，目前来看在用户数据积累和分析方面其实都还在一个非常初期的阶段。那些真正能够抓到用户行为数据，给用户的数据行为打标签，甚至个性化的用户行为数据，这些团队才有机会针对于这个用户的风险、偏好帮助这个客户做好资产配置。围绕用户端的需求，我认为目前阶段大家分析的还很初步，不断券商手握大量的信息，还是我们说的传统的1.0门户，像天天基金网，这些模式它们对用户需求的深度理解还够。
　　第二，企业信贷，中大型企业，小微企业，以及供应链金融。小微企业其实是一个很大的市场，这个市场有多大，80%的利润里，差不多有将近一半的利润来自于中大型，中小型，供应链金融，各行各业的企业信贷。这也是银行的主营业务。在这个方向我们也在寻找一些好的方向和好的创业团队。这些团队在做什么？无非就是两件事情：一，解决数据的从负1到0。因为中国特色的市场环境，大部分数据并不是以节点相衔接而充分共享的网络，而是大家有大量的信息孤岛，很多数据在政府手里，很多数据在民间的一些第三方创业公司手里，谁能打通这些数据，帮助银行和金融机构去做资产质量的分析，提升银行的效率。那么我觉得这些公司在未来就会大有可为。而且这个创新的模式最本质的一点，是说我能够充分的找到源源不断的能够帮助我去提升银行资产配置效率的数据来源。供应链金融其实也是最近蓝驰创投一直在关注的一个细分领域。供应链金融的一个天然特点，是说它一直围绕核心交易产生的。你的一个中小型企业，小微企业可能做的和上下游无关的企业，但是很多在供应链内部的企业，它其实天然是和交易结合的。它每天或者每月产生的交易数据，围绕这些数据我们也看到过一些非常优秀的公司，通过数据来去判断企业的信用，从而能够降低这些企业获得资金的成本和门槛，帮助这些在供应链体系内的企业能够更好的募集到资金，快速的成长。
　　个人信贷，其实是刚才讲的模式创新里跑的最快的一个细分领域。像趣分期就是一个典型的围绕细分场景和人群，和这个人群的需求做的学生人群的消费信贷服务。但是下一步的机会在哪儿？我们觉得这些机会更多的是围绕在场景，不在你自己手里，可能在别人手里，真正靠数据去炼金，真正靠数据的模型和数据深度的积累，围绕技术和数据的驱动，去帮助银行以及这些没有场景的第三方金融机构判断用户的风险，并且能够给这些风险去定价。我觉得这一波的机会的话，也会有非常不错的公司冲出来。
　　还用财富管理和保险与互助。财富管理其实我们看到，目前国内说到财富管理想到的就是每天给大家打的骚扰电话，他们有四五千员工，每天通过各种渠道找有理财需求的人。这个是早期1.0的畸形状态，这个不可持续的。未来是纯人肉向半自动化过渡。这样我们要有了解客户需求的数据来推荐，只有这样我们在数据充分的情况下才能精准将财富管理的职能，或者说才能够将财富管理的行业推到新的高度，就是不需要大规模的人工，围绕数据和技术做到真正的基于技术和数据的创新，它才能够变成高毛利，给股东回报利润的行业。
　　保险与互助，这是一个非常有意思的细分领域。因为中国的保险公司可以说是在所有金融机构最强势的公司。、保险公司对数据关注吗？关注。但是它们对数据的分析也是处于初级阶段。像在美国有行多创业公司，甚至中大型保险公司开始尝试的UBI车险，基于你的驾驶行为，帮助你去找到一个符合你风险偏好，以及符合你风险维度一个性价比最高的车险模式。这个在中国推广过程中遇到过很多挑战，但是我觉得这是一个长期的发展方向。就是未来用户人群以及风险价格的定价一定掌握在数据最多，数据分析能力最强的人手中。因为只有这样，你有了真正围绕数据定价，你才能把性价比最高的产品推给用户。
　　另外一个热点就是互保社区和互助社区。这是一个有强力的方向，像有些做互助社区的时候会请一些保险公司的精算师来，我跟他们的CEO聊的时候，他们也说保险公司很多数据也不完整。我觉得互助社区，其实未来在用户人群沉淀的基础之上，一定是连接所有数据源和高质量数据第三方的一个节点。因为你只有连接了这些高质量的第三方数据源，找到了真正能够帮助你去定价风险的这些数据，你才有可能维持这个社区的运营。不然的话每天出来的互助产品看起来很便宜，8块、9块保你怎样怎样，但是这个模式是不可维系的，因为你对这个风险本质和风险的定价结构心里没有谱，用户也没有谱。如果没有真正高质量的数据做保障的话，我觉得互助社区在短期的话更多的是公益性的体现。
　　再有的话就是创新的保险产品，这与刚才分享的互助社区有点像，但是这个更多的是围绕保险公司的产业如何帮助保险公司设计出来更好的产品，如何去帮助保险公司按去连接它们连接不到的数据平台。这个我们认为也是大有可为的，因为它们能赚钱，如果能帮助保险公司赚钱的话，这个细分行业也会有高盈利的公司成长起来。
　　我们聊一聊蓝驰在找什么样的团队，或者在大数据互联网金融行业蓝驰在看哪些行业？首先，我们希望专业。金融的本质还是金融，一个专业的团队首先要了解金融，你要对金融市场有自己的见解，要对金融市场有敬畏之心，你的专业程度是我们非常看重的。另外，在大数据和创新技术领域的积累。我们希望找到的是你的长板够长。如果有短板没问题，我们是早期的投资公司，我们有足够的耐心和资金，包括我们有足够的资源帮助你成长，但是首先你第一点要说服我们，你的长板足够长，你看到了别人真的没有看到的机会，或者在技术积累上有足够高的门槛和壁垒，我们可以围绕这个壁垒和门槛搭建真正的核心价值。所以专业、技术积累，这个是非常重要的。第二，其实我们在看的是团队本身的对本土金融市场的理解。因为我们刚刚看到中国市场发展阶段，其实这个发展阶段以及金融市场的底层机会，如果你站在局外人的角度的话，特别我们聊过一些刚刚从海外回来的团队，他们可能直接把美国最先进的模式，像自动理财，直接搬回国内，但是结果并不理想。为什么？因为他对本土用户的需求并没有深刻的理解。你在一个不理解用户需求的市场上创业，这个结果一定不会太好。所以我们希望找到那些你愿意去理解，或者是说你之前有自己深刻的理解，对于你所面对的目标细分人群的市场是怎样的一个感知和怎样的一个判断。第三，学习能力。互联网金融和围绕互联网金融创新机会，它的技术演进速度实在太快了。今天在说大数据，我们还在看区块链，和互联网结合的方向。
　　吴佳捷：大数据+物联网的后天、明天与今天
　　大家看到我的第一个标题，其实是挺意思的，就是后天、明天和今天。IOT其实是一件周期更长，更靠后的一件事情。我们一直有一句俗语，就是大家先人两步就成先烈。我们是希望通过这次分享能够让大家看到，大家都想成为先驱，但是不想成为先烈。做什么样的事情能够成为先驱，犯什么样的错误，踩什么样的坑很有可能成为先烈，这是今天想分享的主题。
　　我会用两张图讲一下对后天的看法。这是一张思科在2011年做的图，我标题都没去掉，它的标题是IOT已经到了。这是2011年做的一张图。但是如果思科真的按这个判断做事的话，我估计思科会交一大笔学费。这张图上其实描述的是后天才会发生的事，是2020年才会发生的一件事。它是联网的设备数和世界人口的比例。它预期在2020年会有500亿设备的上网数。那个时候全球人口可能是76亿。大概是7-8倍的比例关系。但是从我们自己的看法来看，它画的中轴线是2015年，但是这个报告是2011年出的，讲的是后天的事。
　　第二张图是描述5G。物联网会给整个传输带来全新的要求。就是过去传输主要为了人的需求在服务。人的需求是什么的？我对带宽的要求比较大。因为传输的越来越多，媒体越来越富媒体，从文字，到视频，现在到直播了。我对延迟容忍其实是可以容忍的，包括大家开发的各种各样的新技术，人对延迟的容忍是按秒来算的。人对可靠性的要求其实相对是低的，因为不行可以再点一次。但是一旦到了IOT，这个要求可能会完全反一反。IOT大量的设备对带宽的要求是很低的。就是如果是一个红外传感器，我可能就传几个字节的信息，不停的传就可以了，对带宽要求是非常非常低的。对延迟的要求几乎是不能容忍的。比如我是一个报警器，你不能告诉我晚几秒钟那儿报警了。就是在IOT下对延迟的要求要毫秒级。大家对5G标准有关注的话可以看到一个现象，就是5G很可能发展出两个标准：一个是窄带标准，一个是宽待标准。窄带标准很有可能专门服务IOT。这个也是后天的事。
　　这是2015年的图，描述的是在不同的IOT垂直领域大概的开发者数量。很明显的看到的实框是今天，虚框是这张作者对明天的展望。大家看到量做的相对比较大的是可穿戴设备和智能家居。大家看到to C是明显过去几年比较红火的事情，背后折射的也是投资人在这些领域大量的投资和这些行业里大量蓬勃发展的硬件公司。智能开关，智能盒子，智能路由，过去一两年很多公司在这些领域拼杀。智能穿戴设备，两只手基本都戴不下了。相对在B2B领域，可能发展是比较缓慢的，因为核心的原因是没有找到一个可商业化的场景。
　　再看展望，我们可能跟它们会有不一样的想法。就是说在智能家居和可穿戴设备上，现在大量的公司其实都已经撞到了钱。大家可能过去前不久的新闻里已经有公司撞墙了。这块的发展可能没有这张图作者的想法那么乐观。车的话是智能驾驶辅助这个需求为驱动，可能会驱动出来一波智能设备，美国已经有一家公司上市了，做的非常好。在找到明确的商业场景之后，智能车这块可能会有一个比较好的发展。这点我们跟他的认同是一样的。我们更关注的是在零售、工业、医疗这三个方向上的垂直应用。如果能找到比较好的垂直场景，这三块的预期可能会比这个图更乐观一些。
　　蓝驰投什么？主要是三个大方向：第一，因为IOT的数据的特殊性和它的连接的特殊性所带来的一些基础设施的不同，它的一些特性就是超大规模的连接数，很大的数据量，实时的非结构化的数据处理能力。这些特性跟过去人的需求是不一样的，所以这个可能会催生出一些机会。第二，我相信已经有一些人认识到，就是硬件这件事情大家用免费的模型去做可能是不行的，因为它的边际成本非常高，它的出装成本非常高，它的用户接受成本非常高，如何能够在某一个垂直领域以一种有商业实际应用场景的方式去切入这个场景，可能是接下来智能硬件能不能进入到某一个场景，能不能带来一个爆发的核心的逻辑。而不再像互联网像软件那样，没关系，进去再说，烧了再说，这个在过去几年已经被证伪了。第三，大量的数据收上来了，大量的应用场景铺下去了，它能提供什么东西，来提高哪些真正的效率？这三个大方向是蓝驰关注的事情。
　　(来源：投资界 Echo)
　　【免责声明】本文观点属于原作者，不代表清科私募通立场，转载请注明出处：
　　/234690.html
请先登录再操作
请先登录再操作
微信扫一扫分享至朋友圈
清科集团创业与投资大数据平台。
以洞见和趣味服务于以新商业领袖为主的全球化新经济时代读者
为价值而生 | 原创 | 深度
新媒体的实践者、研究者和批判者。
全球市场，深度解读，就在凤凰iMarkets
金融小故事，有趣又有料}