-
分析
2015年关于SaaS趋势的一些分析
来源：微信公众号“SaaS”
// // //
文中分析了SaaS在15年的一些趋势，小编从中挑选了几点和大家讨论一下。
1. 免费的SaaS
软件会越来越多的出现免费版本，这意味着软件将迎来更大的用户群体。在巨大用户群体的身上，将会间接产生类似B2C的商业模式。
例子：Quartzy, Zenefits（又是Zenefits，这个公司也快成为buzzword了）
2. 语音的力量
语音会贯穿企业关于客服，培训甚至通讯的一切。语音和文字相比，优势是不需要一个交互界面，而且适用于各种可穿戴设别。（apple watch可是马上就要发布了）
例子：Aircall, Solved，CodeMentor，AirPair，Twilio
3. 垂直细分的SaaS
现在几乎每一个行业，每一个细分都有一个专业的软件去服务。未来的趋势一定是往这个方向发展的，无论是医生，律师，设计师。每一个行业都需要一个新的，用户友好的，负担得起的软件来帮助人们去简单高效的管理自己的信息。
例子： Clio, Lightspeed
4. 按需服务
这个已经快被说烂了，Uberization. 这种Uber的模式将会进入食物快递公司（Instacart），清洁公司（Handy）。最终一定会从消费者渗透到企业，也就是大家常常谈到的企业的消费者化 。
例子：ManagedByQ, Uber for business(相信专车业务可能会逐步改变企业传统车队的配置)
5. SaaS移动化
将会有越来越多业务开始于移动端，核心在移动端，甚至都不需要一个桌面端。这极大的方便了员工在任何时间地点方便的沟通和办公。
例子：Slack, ShowPad(国内也有很多协同类和CRM类走在了前面)
6. 融资和上市的提速
过去，SaaS平均上市的时间是7-10年。
从图中我们能看到最短的4年，最长的要14年。
我们熟悉的Salesforce花了6年，WorkDay花了7年，而最近的公司节奏越来越快，Zenefits从建立到2千万美金ARR只花了20个月，预计15年底达到1个亿美金，还记得我们之前提到的T2D3模式么，这意味着Zenefits用不到3年的时间将会走完绝大多数SaaS公司7年走过的路走向IPO。
参考：
1. 文章：https://medium.com/inside-efounders/15-saas-predictions-for-2015-5dfecb0a783c
2. 图片来自：http://www.altosventures.com/2013/12/saas-ipos/
扫一扫，关注“HRTechChina",聆听人力资源科技的声音！
-
分析
大数据流程处理“三要”“三不要”
大数据时代处理数据的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。
具体的大数据处理方法确实有很多，但是根据笔者长时间的实践，总结了一个普遍适用的大数据处理流程，并且这个流程应该能够对大家理顺大数据的处理有所帮助。整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，最后是数据挖掘。
大数据时代处理之一：采集
大数据的采集是指利用多个数据库来接收发自客户端(Web、App或者传感器形式等)的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。
大数据时代处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
大数据时代处理之三：统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
大数据时代处理之四：挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测(Predict)的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据大数据时代处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。
【文章来源：199IT】
扫一扫 加微信
hrtechchina
