2023，DaaS驶入“AI大航海时代”

作者|斗斗

编辑|皮爷

出品|产业家

2002年，在竞争激烈的美国职业棒球联盟，奥克兰运动家队无论在人员和物质配备以及资金实力上都只是“下三流”之列。

然而在数据分析高材生的帮助下，经过分析数据和晦涩难解的棒球统计学，球队经理找到了一批奇怪的棒球手，他们性格怪癖，但却在棒球运动上拥有超强能力。

在突破传统的数据经营模式下，最终取得骄人的比赛成绩，比肩实力雄厚的纽约扬基队的程度。

这是由真实事件改编的一个故事，后来被拍成电影——《点球成金》。事实上，利用数据分析、挖掘在球赛中取胜的案例，远不止于此。美国著名的国家篮球队的教练，就曾利用IBM公司提供的数据挖掘工具临场决定替换队员。

目前，大约有超过20个NBA球队使用了IBM数据挖掘应用软件来优化他们的战术组合。

教练可以用便携式电脑在家里或在路上挖掘存储在NBA中心的服务器上的数据。每一场比赛事件，都会按得分、助、攻、失误等统计分类。

用大数据，赢得一场球赛，看似不可思议，却早已成为该行业公开的制胜策略。

如今，“制胜”亦是所有行业、企业的共同命题。数字化已行至中程，数据壁垒正在被逐渐打破，也使得企业看到了新的增长之道。

“去年我们发布这个DaaS产品的时候，大家投放的量级基本上是几十万左右，二三十万，三四十万的规模。去年Q4开始，我们开始陆续接到百万级的投放、营销预算。”某业内人士对产业家说。

站到台前的DaaS，正在驶入属于它的大航海时代。

2021年12月1日，阿里云发布新产品瓴羊，将其核心产品服务定位为“DaaS”，其本质是以数据驱动为增长引擎，打通整合企业的商业流、数据流和工作流，让数据智能在企业的生产和经营中发挥最大价值。

瞬间引起业内一阵热议。

今年3月，京东云首次发布数智平台“优加”，面向品牌增长，锚定的也是DaaS新赛道。

两个互联网巨头的入局，逐渐让这个赛道再次热闹了起来。

实际上，DaaS并不是一个新领域。在过去的几年时间里，DaaS赛道已经跑出了几家相对垂直的明星厂商，如麦聪软件、有米云、华坤道威等等。此外，一些涉及数据中台业务的厂商，也早就进入了这个赛道。

早在2015年前后，伴着自动驾驶的东风，DaaS便火过一把。

DaaS（数据即服务）侧重于以数据 API 的方式按需提供各种来源的数据，一般DaaS 平台还包括元数据管理，数据治理，数据开发等功能，其根本作用是帮助企业将数据资产便捷地转化成业务能力（应对企业应用之间、系统之间数据即时交换、共享、使用的需求），最终解决企业最核心的增长问题。

目前来看，以数据源来划分的话，DaaS赛道可分为三个阵营，一是以阿里云、京东云为代表的数据即服务平台，基于自家零售平台产生的第二方数据来提供更广泛的数据服务。

互联网巨头的优势，一是由于数据来源于零售的各个方面，在营销上有着更大的优势。加之大厂强大的生态构建能力，以及业务体系，可从一体化、全栈式层面打造优势。

除此之外，互联网云厂商也可以结合自身的优势赋能企业，为DaaS产品做一些增值服务。例如京东优加可以基于自身一体化供应链优势，在赋能企业营销策略时，可以通过供应链能力快速验证。

二是以Datablau数语科技、数数科技、神策数据等为代表的垂直厂商，其数据源来自商家客户自己的经营情况，为其进行用户分析服务。优势在于数据清理、分析的能力上，且在垂直领域扎的够深，可以与企业实现更强的绑定关系。例如数数科技作为一家游戏数据分析服务商，在泛娱乐领域就有着较大的优势。

三则是以有米云、天眼查为代表的厂商，数据源来自公开渠道，主要针对不同的客群提供不同的解决方案。优势在于调查分析类，可满足各行各业的数据需求。

例如有米云平台上有巨量的商品、广告、企业、消费者等商业信息，使得其在电商、游戏、短剧赛道都有涉猎，且有着一定的优势。

总体而言，这些厂商各有各的优势，但也各自存在一些短板。

新玩家鱼贯而入，老玩家持续打磨，资本追捧，大厂看好，DaaS赛道的爆火并不意外。但不为人知的是，DaaS行业做起来并不简单。

某电商公司曾尝试如何使用DaaS平台来改善其营销效果，其主要方式则是更好地了解其客户，提供个性化的推荐和优惠，并提高营销活动的转化率。

然而，在实际应用中，该公司发现数据质量不可靠，数据采集不全面，而且数据分析和应用的效果也不尽如人意。

首先，该公司在使用DaaS平台时发现数据质量存在问题，例如数据缺失、数据不准确和数据过时等问题。这些问题导致公司无法准确地了解客户，也无法进行准确的个性化推荐和优惠。

其次，DaaS平台的数据采集往往不够全面。尽管该平台声称可以提供全面的数据，但实际上该公司发现平台无法收集一些重要的数据，如用户的购买历史、浏览历史和搜索记录等。这些数据的缺失使得公司无法深入了解客户的行为和偏好，也无法进行精准的营销活动。

最后，即使该电商公司花费了大量时间和资源来采集和分析数据，但实际上这些数据分析和应用的效果并不理想。比如根据数据分析结果进行的个性化推荐和优惠并没有提高转化率，反而导致一些用户的反感和不满。

事实上，DaaS在绝大多数业务场景应用潜力极大，这是一个取得了充分共识的结论。企业对于利用DaaS改善经营充满希望，并积极投入资源开展尝试。但对于绝大多数企业而言，大量DaaS项目未取得预期的显著提升。

总结来看，数据质量不可靠、数据采集不全面以及数据分析和应用效果不佳等问题，直接反映了DaaS落地难的现状。

实际上，这些问题不仅在DaaS厂商本身，也更在其与ISV合作有很大关系。

例如，DaaS平台与企业内部配合时，DaaS平台提供的数据可能与企业内部的数据格式和标准不统一；企业内部可能存在多个不同的系统和平台，DaaS平台需要与这些系统进行对接，接口开发和调试的难度较大；DaaS平台处理的数据可能涉及企业的机密和隐私，需要采取有效的安全措施，保证数据不被泄露和篡改等诸多问题。

而DaaS与ISV合作时，DaaS平台提供的数据服务需要通过API接口与ISV系统进行对接。但是不同系统的API接口不同，对接复杂度高，需要耗费大量时间和资源进行开发和调试。

加之DaaS平台处理的数据往往具有较高的敏感性，如客户信息、交易数据等，因此在数据传输和存储过程中需要采取有效的安全措施，确保数据不被泄露和篡改。

元气森林，一个以“0糖、0脂、0卡”的健康理念，快速占领气泡水市场的行业TOP品牌。但在茶饮赛道，竞争异常激烈，不进则退。元气森林亦需要加强气泡水品类优势，不断扩大市场。

在这种需求之下，瓴羊为其定制了DaaS解决方案。

首先是定位新品研究方向。元气森林通过对饮料市场细分品类的分层分析，定位气泡水、茶饮、植物蛋白、果饮四大果饮趋势。确定了气泡水品类仍是饮料市场突出品类，可延续在气泡水市场的多元优势，并持续发力。

其次是制定差异化营销战略。通过描摹四大品类特征和用户洞察，制定新品差异化营销方向。例如气泡水新品菠萝口味顺应季节打爆；植物蛋白新品选择通过高能妈妈的破圈在儿童市场发力。

最后是全年多峰策略落地。618打响多品类布局第一枪；在双11大促期间实现更大生意转化，年轻人群持续渗透。

2022年，元气森林双11同比618，客单价增加近10%，消费者购买意愿加强。且与618相比，A人群资产量级增加超五成；年轻人群增速和去年双11相比明显增加，品牌人群结构逐渐被优化。

在元气森林的案例中，可以发现DaaS落地成功的几个关键细节。

一是营销数据、应用方向确定；二是以绝对的专业度不断洞察市场变化数据；三是规划数据管理的“长线作战方案”。

这是解决问题、DaaS落地的关键，然而，对于很多企业而言却往往会被忽略。

企业在进行数据治理时，将关注点放在管理数据程序、脚本和任务上。这种做法导致企业的数据治理无法聚焦于提升数据价值。这可能导致数据的准确性和可靠性受到影响，从而影响企业的业务决策。

很多企业在部署DaaS时，自身的需求并没有被满足，导致了误区型治理，难聚焦。

此外，企业在进行数据治理时，以完成项目交付为目标。然而在项目交付完成后，企业没有继续关注数据治理的长期性和持续性。因此，即使完成了项目交付，后续的数据管理仍然缺乏延续性和稳定性。

管理断点，数据难统一，往往会导致数据安全系统降低，导致了项目型治理，难延续。

要知道数据的统一是DaaS落地的基础，从这点来看，其部署的似乎并不是一个“真正的DaaS”。

除此之外，企业在数据治理中由员工兼职管理。这些员工在数据治理方面缺乏专业知识和技能，导致职责不清晰、主动性不强。导致企业无法确保数据治理工作的顺利实施，这种情况下数据的质量和可靠性便无法保证，数据的安全和隐私便也不无保证。

企业内部不具备相应的IT条件，导致兼职型治理，也是DaaS难落地的重要因素。正如有米云创始合伙人&CTO 蔡锐涛所言，“在现在的数字化时代，善于解读数据的团队将会有巨大优势。”

综上所述，DaaS落地难的最底层逻辑逐渐清晰，即误区型治理下的“头痛医脚”；项目型治理下的“真假DaaS”；以及兼职型治理下的“力不从心”。

值得注意的是，大模型的推出，或将改变传统模式下数据治理面临的困境。

“咱们得要认识到一个事，品牌商比我们在Know-how上更专业，我们有的只是数据跟分析能力、技术，但是在Know-how上他一定比我们更专业。” 京东科技解决方案中心增长解决方案部负责人朱冰对产业家说。

其实，就目前来看，企业手握大量有价值的数据，但这部分数据带来的优势以及能力，DaaS厂商无法替代。正如朱冰所言，“整体来说，还是要把自主性、主观能动性教给我们的品牌商，给我们这些品类的伙伴。我认为他自己做这件事情是最专业的。”

然而，对于很多企业而言，这是很难跨越的一步。值得期待的是，进入“大模型+”时代，DaaS也出现了一些新的可能。

比如在模型训练与优化方面，DaaS平台可以提供大模型的训练和服务平台，帮助企业进行模型的训练、调整和优化等操作。企业可以利用DaaS平台上的大量数据和计算资源，对大模型进行训练和优化，从而提高模型的准确性和性能。

在模型部署与管理方面，DaaS平台可以提供模型部署和管理功能，使企业可以将训练好的大模型快速部署到生产环境中。企业可以通过DaaS平台，对模型进行版本控制、更新等操作，确保模型的稳定性和可靠性。

在数据预处理与增强方面，DaaS平台还可以提供数据预处理和增强功能，帮助企业将原始数据进行清洗、转换和标注等操作，以便用于大模型的训练和测试。DaaS平台还可以提供数据增强功能，通过对数据进行各种变换和增强，提高模型的泛化性能和适应能力。

此外，在自然语言处理领域，DaaS平台可以提供文本分类、情感分析和语言生成等服务。在图像识别领域，DaaS平台可以提供目标检测和图像分割等服务。企业可以通过DaaS平台，直接使用这些服务，而不需要自己构建和训练模型。

在业务之外，安全也是其一大特点，即DaaS平台还可以提供数据安全和隐私保护功能，确保企业数据的安全性和隐私性。DaaS平台可以提供数据备份、恢复和版本控制等功能，确保数据的安全性和可靠性。同时，DaaS平台还可以提供数据加密、访问控制和安全审计等功能，保护数据的隐私和完整性。

换言之，AI大模型之下，DaaS厂商或将积累越来越多的行业Know-how，企业的需求也将愈发得到满足；大模型与DaaS的结合，可以使企业可以更加高效和准确地利用大模型。

在传统模式下，企业需要自己构建和训练模型，需要投入大量的资源和时间。而且，这些模型的效果可能会受到多种因素的影响，如数据质量、算法选择等，通用大模型也将加速企业迈过这道坎。

总体来看，「大模型+DaaS」将会很大程度上改变当下DaaS固有的顽疾，使其走向一个更加良性的发展，推动其进入“大航海时代”。

或许，在未来每个行业都能被DaaS重塑，正如文章开头所言的那部电影用数据“点球成金”。