企业服务模式之争
当前的企业服务模式是三种模式并存,分别是:On-Premise、SaaS、Mixed。
在 8 家投资机构中,有一家投资机构非纯 SaaS 不投,第一次听到这种观点的时候有点惊讶。目前,我们 SaaS 收入占整体收入的比例不超过 20%,而大部分收入来自于私有云部署。
目前,很少听说一线大数据分析厂商是纯 SaaS 模式。基于线上数据做大数据分析的厂商往往是 SaaS 模式,目前大部分收入来自于 SaaS 模式,少部分收入来自于定制化开发服务;基于线下数据做大数据分析的厂商往往是 Mixed 模式,在目前大部分收入来自于 On-Premise 模式,少部分收入来自于 SaaS 模式和定制化开发服务。
关于基于线下数据做大数据分析的厂商的生存状态,我做了一个简单的调查:选择 Mixed 模式的 Qlik 和 Tableau 因为业务快速发展,在两三次融资之后便完成了上市,且后者上市之后的年复合增长率长期保持在 80%以上。而选择 SaaS 模式的 Birst 和 GoodData 融资到了 E 轮还没有完成上市,业务规模较之前者也小了很多。
为什么会这样呢?大数据分析的原料是大数据,而大多数企业目前的私有云数据远大于公有云数据。数据已经成为成业的核心资产,企业级架构下的安全管控也成了重中之重。另外,如果企业选择将数据传输到云端 SaaS 平台进行分析,基于现有的互联网基础设施条件,数据传输又是个巨大的问题。简单地举个例子:如果上传速度是 20Mbps,假设整个过程顺利的话,将 1TB 数据上传到云端大概需要 5 天。
在这样的条件下,大多数企业的明智选择是:大数据在哪里,大数据分析就在哪里。因而,对于有云端大数据分析需求的客户,Yonghong、Qlik 和 Tableau 会引导客户使用其云端 SaaS 平台。这种 Mixed 模式是 On-Premise 和 SaaS 模式的升级版,即同时提供 On-Premise 和 SaaS 两种服务,再通过技术手段打通 On-Premise 和 SaaS,连接线下数据和线上数据,以最大化数据的价值。
未来,有两种力量会持续提升云端 SaaS 平台的收入占比:
1. 公有云数据将持续增长,10年 以后云端数据也许会超过 50%。在那时候,大数据分析厂商的云端 SaaS 平台的收入占比将随之升高。
2. 互联网基础设施条件得以大幅改善,数据传输效率得以大幅提升,打造基于云端的纯 SaaS 平台成为一种可能。这时候企业将第一次有机会把企业级数据仓库构建在公有云,但那时候公有云和私有云之间的边界已经不存在,混合云成了企业级计算的新常态。
大数据分析公司 Palantir 的模式
大数据分析软件公司 Palantir 是硅谷最具神秘气质的初创企业巨头,我们对其知之甚少,只知道其数据处理软件可用于打击恐怖分子和抓捕金融行业的犯罪分子。Palantir 的联合创始人包括 Peter Thiel 以及风投机构 Formation 8 合伙人 Joe Lonsdale,其早期投资方还有美国中央情报局旗下的风投公司 In-Q-Tel。
通常,购买 Palantir 软件的费用在 500 万美元至 1000 万美元之间,客户被要求预先支付 20%的经费,剩余部分在客户满意后再支付,据说没有一套软件被退回。创始人 Alex Karp 声称公司是 “没有公关,没有销售,没有营销”,这一切都是为了保证产品(延伸阅读:金融大数据分析平台 Palantir Metropolis 介绍)。
经过十多年的发展,Palantir 成为继 Uber、小米、Airbnb 之后,全球估值第四高的创业公司。7月 底递交给美国证券交易委员会(SEC)的文件显示,Palantir 已经成功融资约 4.5 亿美元,估值为 200 亿美元左右。
Palantir 选取的模式是 On-Premise。
On-Premise 并未阻碍 Palantir 收入的快速增长,更未阻碍 Palatir 成为硅谷最性感的大数据分析公司,受到很多一线投资机构的追捧。
另外,个人坚定地认为 Palantir 内部一定有其云端计划,这一云端计划不会放弃 On-Premise,而是 Mixed 模式。
人力资源服务 Workday 的模式
在 10年 左右的时间里,从事人力资源服务的 Workday 在竞争激烈的行业中取得了不小的成功。如此新颖的模式和迅速的成长,让行业巨头也为之侧目。但是,Workday 的发展道路上并非没有风险。随着公司多元化的发展,以及竞争对手的增多,Workday 还未能扭转亏损的局面。
从技术角度看,Workday 最大的不同之处在于用 Metadata 来定义数据之间的关系。Workday 并没有采用包含大量表的关系型数据库,其对象型数据库只有三张表:实例、属性和索引。你很难从这个对象型数据库本身了解其含义。
当 Workday 的系统启动时,作为系统核心的对象管理服务器 (OMS) 会读取存在三个主要表中的数据和定义,根据 Metadata 所规定的关系,将业务呈现给用户。如果要变更产品,只需要修改 Metadata 以重新定义对象之间的关系,然后再重启应用即可。Workday 很酷,连笔者都是他的粉丝,成功上市之后,Workday 的市值长期保持在 100 亿美金左右,拥有大量热爱 Workday 的股民。
Workday 选取的模式是 SaaS。
在很多人心目中,SaaS 就像水一样,打开水龙头能能用。有的云计算厂商的口宣传语都是秒级调度计算资源,或者秒级开启 SaaS 服务。大家猜猜如果一家企业采购了 Workday 的 SaaS HR 服务之后,需要等多久就能用上?不是一秒,不是一小时,不是一天,也不是一个月,甚至不是一个季度,一般是一年以上!基于 Workday 发明的面向未来的对象型数据库,据说配置一套 Workday 只需要对各种对象进行拖拽式操作即可,但由于企业服务的逻辑复杂性,过去 Workday 的上线周期一般在一年以上,有的 Case 甚至超过两年。
Gartner 关于企业服务 SaaS 模式的研究报告
Gartner 关于 SaaS 模式的研究报告能让大家更加正确地认识 SaaS 模式。Gartner VP Robert DeSisto 表示,市场上对于 SaaS 模式充斥着许多假设性想法,其中有的想法是正确的,有的想法是错误的。他呼吁企业要谨慎检视 SaaS 的真实面目,因为有许多客户基于这些错误的假设,便决定部署 SaaS 方案。
在这份名为 “事实检视:五个 SaaS 最常见的假设” 报告中,Gartner 提出了五个关于 SaaS 最常见的假设,供业界作为参考:
1. 关于 SaaS 较传统就地部署 (On-Premise) 模式成本较低,Gartner 认为,因为不需要高额的资本投资来采购软件或建置基础架构,选用 SaaS 模式的前两年的确成本较低。但就第三年以后的软件拥有总成本来看,还是 On-Premise 模式较低。其中的原因之一是因为会计原则将 On-Premise 软件视为固定资产,可折旧摊提。
2. Gartner 亦警告说,部署 SaaS 的速度也不一定较 On-Premise 更快。虽然软件厂商报价说 30 天是标准的建置时间,但事实上,有些软件可能花上数个月的时间。因为随着企业流程与整合度的复杂性增加,部署 SaaS 与 On-Premise 软件所需的时间差异会越来越小。
3. 若假设真的会以使用量来计费,那也是错的。Gartner 表示,在大部分的情况下,企业还是会被要求签署固定费用的先期合约。
4. 业界同时也低估了 SaaS 的功能性。一般都认为,SaaS 无法与 On-Premise 应用程序或数据源整合。但事实上,透过批次同步化的方式,先将数据加载 SaaS 应用程序中,然后再定期更新,或使用网络服务进行实时更新,都是可行的方法。
5. SaaS 不是只能符合简单、基本的需求。Gartner 表示,SaaS 应用程序在 Metadata 层级是高度客制化的,可透过应用程序平台服务 (APaas) 的方式来实现,业界也有许多实际建置的范例。不过,对于复杂、端到端企业流程的管理功能来说,SaaS 还是有其限制。
当前的 On-Premise 采购大多被会计原则视为 “固定资产”, 而 SaaS 采购大多会被会计原则视为 “服务”。这种混淆技术模式与商业模式的方式,让企业级客户在做选型时很难有最优选。
我觉得,越来越多的大企业将会对 On-Premise 和 SaaS 形成统一的会计原则。这意味着在不久的将来,技术模式与商业模式将彻底分开。不管是公有云部署还是私有云部署,厂商都可以采用 SaaS 收费模式计价。
模式是手段而不是目的,应回归商业本质。如果不考虑目的,单纯地讨论模式没有意义。
还有一个普遍的观点是,只要把客户拉上船,数据在我这里,客户就跑不了。有的厂商通过营销手段让客户签单,有的厂商通过免费让客户先上船后买票,都寄希望于用 “模式” 套牢客户。
然而,大家似乎忘了最简单最质朴的道理:商业的本质,是创造价值。
数据分析咨询请扫描二维码
数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21