2024 年伊始，Kyligence 聯(lián)合創(chuàng)始人兼 CEO 韓卿在公司內部的飛書訂閱號發(fā)表了多篇 Rethink Data & Analytics 的內部信，分享了對數(shù)據(jù)與分析行業(yè)的一些戰(zhàn)略思考，尤其是 AI 帶來的各種變化和革命，是如何深刻地影響這個行業(yè)乃至整個企業(yè)運營與管理。

上周，我們發(fā)布了第一篇關于技術趨勢的解讀（點擊查看），這次我們將聊聊對中美不同市場的認知，是對過去幾年我們在中美不同市場間實踐的回顧和復盤，隨著全球經濟的變化和 AI 帶來的新機會，下一步出海的新策略也將和以前大不一樣，內容有所刪減，期待大家在評論區(qū)分享自己的見解和體會！

Kyligence 在海外收獲了不少大客戶，包括美國、中東和歐洲的客戶，但從 2022 年年底美國回來后，我一直強調我們要專注中國，把中國市場做扎實的同時，再開拓美國及海外市場。這兩年，很多中國創(chuàng)業(yè)公司都在積極出海，大家選擇了不同的路徑和方式，這里沒有對錯，只是不同的商業(yè)選擇和嘗試。但我想聊一些對中美兩個市場差異的認知（本質上，APAC 更接近中國，歐洲等更接近美國），這個題目很復雜，從根源來看甚至可以從哲學體系和文明開始講，今天我嘗試在技術市場方面做些總結，分享我們在打造產品時如何去適應不同的市場。

一站式 vs 專業(yè)分工

這是感悟最深的一點。投資人經常問我們競爭對手是誰，或者對標美國哪個公司。過去我們一直說我們對標 Snowflake or Databricks，尤其是 Snowflake 上市后（大部分投資人無法判斷技術，所以只能對標知名公司來理解）。而很多時候，客戶的領導或者決策者，也往往是靠這樣的對比，才能了解我們的能力和應用場景。但深入看一下，就知道我們不一樣，更重要的是，中美客戶的需求非常不一樣。

美國市場專業(yè)化分工非常細致且完善，ETL 是 ETL，DW 是 DW，BI 是 BI，基本上每個領域都有幾個上市公司，大家只要有差異化，基本上都能賺錢，而且賣得不便宜。這就是為什么之前美國市場講“現(xiàn)代數(shù)據(jù)?！?Modern Data Stack 非常有用，一看就知道某個技術屬于哪個部分，而且各層之間的接口都相對規(guī)范。但顯然在國內這個行不通，技術棧的差異非常大還算好，碰到個魔改的環(huán)境對接起來苦不堪言，大量人力和時間被浪費掉。

而中國客戶，往往付一筆錢就想要全部，最近有個頭部公司給我們提的需求，涵蓋了 OLAP、ETL、聯(lián)邦查詢、實時查詢等，但問愿意付多少錢的時候，卻表示沒多少錢——就如極客公園創(chuàng)始人張鵬之前說的：“客戶提的都是登月的需求，但愿意付的只是一個同城快遞的錢”——這是現(xiàn)狀，我們需要的是去適應，而不是去改變（我們當然想去改變，但教育成本非常大，需要一個漸進的過程），當然我們也不是去妥協(xié)，而是要找到平衡。

另外，中美客戶在人才分布上，也有著巨大的差距。走出金融、通信、頭部零售和制造業(yè)客戶等行業(yè)，中國的大部分其他行業(yè)客戶，都沒有成建制的數(shù)據(jù)倉庫或者大數(shù)據(jù)團隊，往往都是手擼代碼直接完成各種分析報表和查詢，缺乏專業(yè)的分析人才和能力。這點對我們在過去幾年打開非金融行業(yè)確實帶來了很大的挑戰(zhàn)。去年，有客戶突然和我說：用你們的指標平臺是不是可以不用先建立數(shù)據(jù)倉庫？回答“是”并驗證之后，整個合同和項目流程一下子加速了。據(jù)分析報告，中國的云計算大致落后美國 7-8 年，在整個 IT 方面也差不多。所以我們不能把美國市場的成功的架構、產品和工具，直接在中國對標，我們要設計符合中國客戶和市場的產品。為客戶提供一站式的數(shù)據(jù)和分析能力，是未來非專業(yè)客戶的剛需，也是我們跨越鴻溝的核心要點。

人工智能 vs AI

AI 很火，兩邊都非?；?，但火的方向和內容非常不一樣。除了大模型本身的卷以外，在 AI 的應用、生態(tài)上，兩邊有著不同的路線。從 Midjourney 和 Pika 等的火爆，可以看到美國市場在不需要特別清晰的盈利模式上做著各種創(chuàng)新，各種 SaaS 化的 AI 應用，甚至這幾天的 GPT Store 可以看到幾百萬的應用在非常短的時間內出現(xiàn)。有非常多有意思、解決小問題的應用出現(xiàn)，甚至很多都能很快有收入（來自良好的付費和訂閱習慣）。而國內目前能夠看到的 AI 相關的應用和場景，都還非常有限以及原始，大部分能夠看到聽到的都來自文生圖、文生視頻等 2C 應用，在工具類、企業(yè)服務類，還非常的少。

對比數(shù)據(jù)分析領域，可以看到美國 ChatGPT 的數(shù)據(jù)分析插件本身已經做得非常好，丟一個 CSV 就能給出非常好的分析和建議等，且 GPT Store 上也有一大堆的插件，尤其是一些 SaaS 供應商提供的數(shù)據(jù)應用。而國內大部分都還是 Text2SQL(NL2SQL) 類，接觸到非常多的團隊都在努力地用 AI 寫 SQL - 這當然很重要，但往往受益的依然還是數(shù)據(jù)工程師、數(shù)據(jù)分析師，還是“機器人打算盤”的感覺，差了點意思。

管理 vs Operation

數(shù)據(jù)與分析，從更大范圍來說，屬于決策支持系統(tǒng)（DSS, Decision Support System)，來自維基百科的內容：Beginning in about 1990, data warehousing and on-line analytical processing (OLAP) began broadening the realm of DSS. (Decision support System, Wikipedia)。而決策支持系統(tǒng)，是幫助人類進行決策和管理的軟件。

但軟件僅僅只是工具，是術，這背后更重要的是管理的思想和方法論，這是道和法。而這，才是中美軟件（至少是管理軟件）最大的差異：不同的人文環(huán)境，不同的發(fā)展階段造就了非常不同的管理理念和方法論。不管是生產系統(tǒng)的 ERP，還是銷售營銷的 CRM，再到基礎的人力資源、薪資系統(tǒng)等等，都有著非常大的不同。咨詢大咖陳果曾經寫文章說過，他工作過的幾家外企，人力和薪資軟件的基本理念和操作都非常一致，即使是不同供應商提供的。據(jù)他總結是因為背后的管理理念一致，似乎更多是按照同一種方法/handbook 來運營組織（Operation）完成工作從而達到目標。類似于一個只要按照飛行手冊，經過一定培訓的飛行員就能駕駛飛機（下面的手冊在美國沃爾瑪都可以買到）。

反觀國內，在幾個群里討論過最多的一個結論就是：幾乎每個稍微上點規(guī)模的公司都有著定制化 CRM 等各種軟件的沖動（但從來不考慮是否要付錢），幾乎每個老板、領導都有自己的“方法論”，極難說服他們按某個“理論”行事，而且都有著極強的管理欲望。

一個粗淺的理解，是因為西方現(xiàn)代化公司運營已經近百年，大量的實踐和長期的積累，已經逐漸形成體系，而且大量的商學院、培訓機構、咨詢公司等，在過去幾十年改造了大量的公司，培養(yǎng)了大量的專業(yè)管理人才。久而久之，大家都習慣于使用一個體系的工具和流程來完成同樣的工作，所以可以看到美國的軟件業(yè)非常發(fā)達，幾乎每一個細分的賽道，都有非常多的上市公司或者獨角獸。而國內改革開放也就這幾十年，整個社會和經濟也還在劇烈的調整和變化中，大量的企業(yè)業(yè)務雖然非常好，但管理本身，可能并是不特別出眾，往往都是“人”的能力更突出。故而對軟件本身，背后的管理方法論，以及價值都非常模糊，甚至低估。這也是今天企業(yè)服務行業(yè)面臨的挑戰(zhàn)。

買斷式 vs 按需付費

訂閱，是最讓人羨慕的商業(yè)模式。尤其是今年，Instacart 上市的時候披露，他們在 2020 年“向 Snowflake 支付了 1300 萬美元”，這個數(shù)字在 2021 年迅速增長至 2800 萬美元，到 2022 年更是為“基于云的數(shù)據(jù)倉庫服務”支付了 5100 萬美元?？蓵r間來到 2023 年，開銷數(shù)字似乎出現(xiàn)了逆轉，Instacart 表示“我們預計全年將向 Snowflake 支付約 1500 萬美元?！边@是非?？膳碌臄?shù)字，中國應該沒有一個公司單年數(shù)據(jù)倉庫能花費超過 5100 萬人民幣，更不用說訂閱制。

這也是中國的商業(yè)環(huán)境決定的，大部分客戶都還不接受訂閱，還不接受按年付費的方式。不過最近幾年好很多，逐漸也在開始接受和嘗試。而我們已經在國內走出一條獨特的道路，我們給大型金融機構等客戶，就是按年付費的方式，且持續(xù)多年，這在市場上極其稀缺。但我們的大型客戶依然有著極強的議價能力，我們無法按照美國的方式那么“容易”地擴容——這也是過去幾年的實踐和總結：中國客戶為了避免被卡脖子，往往會對單產品做限制，我們的實踐證明，只有不斷提供不同的模塊、產品等，從而讓用戶產生新的需求，進一步來進行擴容和增購。而不是幻想和美國一樣的方式。

過去我們只看到 OLAP 的時候，感覺很難突破，往往就是在性能等技術方面進行迭代和 PK，但最終其實沒有客戶愿意為這里的提升付費，或者說付非常多的錢。而隨著指標平臺和 Kyligence Copilot 的推出，我們發(fā)現(xiàn)其實只要做用戶體驗更好、更容易被用戶理解和采用的產品，就可以有巨大的機會。這也是我們最近積極推進各個產品和模塊的原因，我們需要用更豐富的菜單服務客戶。期待我們有更多的創(chuàng)新和產品來滿足客戶各方面的需求，當然一切都依然要圍繞我們自己的核心競爭力去構建。

本地部署 vs Cloud

這是最讓我們頭疼的差異。國內的部署環(huán)境非常復雜，我們大量的成本花費在對接各種系統(tǒng)和測試上。在美國，基本上只有三家云基礎設施，大部分創(chuàng)業(yè)公司在很長一段時間都只支持一朵云，例如 Snowflake 很長時間只支持 AWS；Databricks 是微軟投資后花大力氣幫助 Databricks 跑在 Azure 上。而國內我們要面對各種“稀奇古怪”的底座，最近有個客戶的 Spark 還是 2.x 的版本，居然要我們修改我們的產品，還好最終客戶被我們說服，把他們的 Spark升級到 3.x 版本。如果每個這樣的情況都需要定制、適配，勢必是要耗費大量的人力和物力的。

大模型時代，我們突然發(fā)現(xiàn)又又又要對接無數(shù)“魔改”的版本，幸好現(xiàn)在 GPU 還很貴，幸好我們出了一個評測框架（點擊查看：大模型在數(shù)據(jù)分析場景下的能力評測），能夠比較輕松地對接各種環(huán)境。但可以預期，未來的微調服務將占據(jù)大量的工作。

數(shù)據(jù)源 x 云平臺 x 大模型 x BI工具 x 各種運維工具 x XXX —— 這是國內軟件市場當前最大的隱形成本。我們既然不能改變這個實際狀況，那么我們如何：

打造適應性更強的產品

額外的定制/適配工作向用戶收費

這兩點就變得非常重要。

從資本市場的分析，我們也能看到在云計算這個市場中美的巨大差異。普遍來說，中美在云計算市場的差距在7-8年左右。這是市場的事實，我們需要考慮不同市場的差異來設計我們的產品和 GTM 策略。

自研 vs SaaS

Build vs Buy，中國客戶喜歡自己搞“In-house 實現(xiàn)”，大量的程序員浪費在各種“魔改”中，最近爭論很激烈的 MySQL 是不是該跑在容器上，就是一個代表。很多時候，客戶找我們，往往都是他們自己搞不定的時候，甚至會來“學習”我們產品后，再回去進行自研。

據(jù)報道，美國中小企業(yè)平均使用的 SaaS 服務超過 100 多個，大型企業(yè)超過 200 多個。在美國，今天一個創(chuàng)業(yè)團隊構建自己的應用，除了核心，其余一定都是快速使用 SaaS 構建起來，絕不浪費一個程序員。這也是美國各種 SaaS 工具活得很好的原因。

細數(shù)一下我們自己，也用了大概十幾個 SaaS 產品，但和美國比起來，還是非常少。更別說我們的大型客戶了，受限于政策、采購以及各種理由，中國客戶大量采購純 SaaS 的時代還需要幾年時間。我們不能等待，我們需要去適應這個市場，但可以創(chuàng)新去思考如何提升這里的效率，降低成本。我們最近的規(guī)劃，是盡可能地讓用戶通過 SaaS 或 PaaS 完成試用、PoC 等；通過標準的 PoC SOP 來幫助快速完成評估；通過腳本化的部署模式，以天為單位向用戶進行交付。

試想，如果客戶直接在 SaaS 上試用，在 PaaS 中完成他們自己數(shù)據(jù)的 PoC，簽訂合同后再部署到生產環(huán)境，中間都用 ZenML 進行流轉，這樣的效率提升，不僅僅方便我們，也將大大降低客戶的工作量，他們的工程師等會更愿意和我們合作。注意，當我們強調“用戶體驗”的時候，不是只是 GUI、運維、命令行、導入導出、文檔，甚至我們每個人的形象、態(tài)度、溝通和專業(yè)能力等等，對客戶來說，都是一種“體驗”。

領先的產品理念 + 極致的用戶體驗是戰(zhàn)勝客戶自研的唯一辦法，而不是黑科技或者厲害的算法，要做到讓客戶徹底放棄自研的念頭，而不是激起他們深入研究技術實現(xiàn)的沖動！

功能/性能 vs User Experience

國內用戶強調功能，美國用戶強調用戶體驗；國內用戶喜歡貼身服務，隨叫隨到，美國用戶喜歡自己搗鼓，手冊要求極高。這些差異在過去幾年的實踐中，非常的明顯。借用我們美國同事的原話：“美國用戶都是被寵壞了的富孩子，咱們國內還在給個糖吃就很開心，哪里管包裝好不好看”。

這個差異非常的大，以至于很多時候我們很分裂。本質上是兩個社會的習慣、既有產品（其他人如何服務客戶）和營商環(huán)境等造成的。由于美國大部分人的軟件都已經非常成熟，作為使用方的客戶，對相關內容是有默認要求的，而且很高。比如英語，美國員工曾經和我說過，在美國一封 Chinglish 的郵件，大家默認的認知就是詐騙、釣魚的內容。直接在用戶界面打出 Java 的 Stack 信息，那就是產品不行。文檔的操作過程和軟件里不匹配（比如前后順序錯了），那就不愿意使用。

17/18 年的時候，我們提出給美國客戶去現(xiàn)場做 PoC，客戶會非常驚訝，這不符合他們的習慣。美國用戶的專業(yè)程度普遍較高，一般喜歡根據(jù)手冊等自己動手先驗證，即使做 PoC，大部分也是自己完成。所以他們對手冊、安全、可運維、上下游對接等等，都有著很高的要求（從他們角度其實這就是 common sense，因為大部分軟件都這么提供）。這些標準化能力的缺失，往往是我們過去錯失很多好機會的原因。

而且由于美國的軟件生態(tài)豐富，他們更喜歡一個聚焦解決某一個問題的軟件，而不是什么都有的“怪物”。越聚焦、越簡單，也就越容易被整合。這就要求核心功能必須非常突出，容易上手，而提供豐富的非功能性能力，來快速滿足客戶的場景需求（可能是好幾個工具的組合）。更由于和世界一流的軟件生態(tài)對接，對用戶體驗的要求是極高的，一群顏值極高的軟件里突兀的出現(xiàn)一個歪瓜劣棗，那肯定不受待見——這也是我們過去幾年非常強調用戶體驗的原因，幸運的是我們的產品最近在用戶體驗和設計上，廣受國內客戶贊賞（和美國同類軟件比還有不少差距）。

差異化，不是都需要在功能、性能等層面體現(xiàn)。一個言簡意賅的上手視頻，一封閱讀感愉悅的手冊，一個友好的出錯提示，一個巧妙的設計思考，都是吸引用戶的極佳方式，“汝果欲學詩，工夫在詩外”。當大家都能提供一樣的功能時，用戶體驗將是真正的差異化競爭所在。就如我們去買車時，大部分人不會去關注百米加速、發(fā)動機扭矩、功耗等等，而更關心的是外觀設計、內飾、操控、4S 店的服務態(tài)度、應急救援的效率等等。

啥都做 vs API Economy

我們遇到過非常多的需要對接數(shù)據(jù)源、SaaS 服務的需求，實踐中一個非常大的區(qū)別是，美國的大部分軟件都有 API/SDK，甚至很多現(xiàn)在都有非常好用的 webhook，非常便于和各種其他系統(tǒng)互相整合。而且很多美國的創(chuàng)業(yè)公司在構建自己的應用的時候，都會先去考慮有什么 SaaS 服務能夠使用（而這里的前提條件一定是有 API 可以被使用），而且往往都是標準的 API 和使用方式，甚至類似 Zapier 這樣的服務非常的流行和重要。這就非常容易通過串聯(lián)多個 SaaS 服務來完成，而不需要什么都自己構建。

我一直反對在我們自己產品里什么都去做，最近一個案例是某個客戶給我們提出了 N 個需求，我說這至少是 5 種系統(tǒng)的需求，從聯(lián)邦查詢、批流一體到實時分析等等，甚至夸張到把 ETL 的部分需求也放進來了。這些本身其實都可以通過不同的工具鏈來完成的工作，而很多客戶卻希望我們一個產品全能提供。

再舉一個簡單的例子，很多客戶、合作伙伴非常喜歡 Kyligence Zen，但剛開始就給我們提需求：一定要對接某些數(shù)據(jù)源，他們非常難以接受把數(shù)據(jù)刷到 S3 上作為統(tǒng)一的交換界面。很多同學不理解為什么這些需求我一直壓著不允許做，一方面是因為這種需求只會讓產品越做越重，越來越定制化；而更重要的是，這里有無數(shù)的工具甚至 SaaS 服務可以完成，比如最近我們需要把飛書多維表格導出到 S3（對接多維表格這個需求一直有），通過 Byzer 就可以完成（也還有很多其他工具），通過飛書的低代碼平臺，我們已經實現(xiàn)了各種自動化推送、備份、報價/許可證的審批打通等等。利用好生態(tài)能力，可以充分整合和構建更多場景，并節(jié)省大量時間和資源。

清晰的系統(tǒng)邊界是一個好的軟件產品的基本要求，以 S3（類似 Kylin 時代的 Hive）為輸入界面，以 SQL 為輸出界面，在這個范圍內，我們專注地將各種能力做到最好，提升用戶體驗，并且通過各種第三方工具鏈，幫助客戶完成相關的工作。

小結

隨著中國人口結構的劇變（2023年新生人口只有 902 萬，人口自然增長率為負的千分之-1.48)、現(xiàn)代化企業(yè)制度的建立、精細化運營的切實需求，我們認為未來中國市場對企業(yè)軟件的需求會非常旺盛：企業(yè)大量增長的需求與短缺的勞動力之間的矛盾，只有用軟件和技術，才能提升效率。但我們也相信，國內的軟件也將不再是全面復制西方的模式（比如現(xiàn)代數(shù)據(jù)棧中那么清晰的分層），將走出一條有自己特色的發(fā)展路徑。

基于這些思考以及大量的交流，對于中美，甚至未來更大的全球市場，從數(shù)據(jù)與分析行業(yè)，乃至企業(yè)管理軟件方向，我們正在制定我們的路線規(guī)劃，隨著 AI 的興起，我們發(fā)現(xiàn)這里有著巨大的潛力和市場，結合我們的優(yōu)勢，將能夠更好地為中國、美國、乃至全球的客戶，分別提供適合當?shù)厥袌龅漠a品和解決方案，并制定不同的 GTM 策略，以更好地服務每個區(qū)域市場，我們將在后續(xù)的篇幅中進一步闡釋這些內容。

系列文章將在 Kyligence 公眾號陸續(xù)發(fā)布，請大家持續(xù)關注，同時也歡迎大家在評論區(qū)分享你對中美企業(yè)服務市場的見解和看法，點贊最高的評論有機會獲得精美周邊一份哦。

本文僅代表作者觀點，版權歸原創(chuàng)者所有，如需轉載請在文中注明來源及作者名字。

免責聲明：本文系轉載編輯文章，僅作分享之用。如分享內容、圖片侵犯到您的版權或非授權發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com