论文部分内容阅读
短短几年间，互联网经济已经席卷全球，在实践者的奋勇冲锋和研究者的事后总结下，其商业逻辑也逐渐从混沌到澄清。每一次澄清，都是对过往浅薄认知的当头一棒（尽管是事后的），当然，也可能揭示了一轮新的机会。
前两期，我们分别从流量资产（需求侧）和生态资产（供给侧）的角度讨论了互联网项目的估值问题，试图从一大堆看似“劲爆”的数字中，找出真正有价值的、能够说明商业模式本质的部分，再衡量出商业模式现有的以及未来可能的空间。
如果说，从流量资产和生态资产的角度，我们都有可以抓住“锚”，那么本期即将探讨的则是一个异常模糊的领域，即，那些同时具备流量池和资源池的企业，是何种要素决定其估值？换句话说，如何评估互联网企业在撮合供需上的“转化能力”？显然，这是时下的互联网格局中决定企业前途的胜负手。
2014年，笔者曾在《叠加体验：用互联网思维设计商业模式》一书中提出，撮合供需的“转化能力”有两类：一类是直接交互用户（或商户）获取需求的能力；另一类是利用数据分析撮合供需的能力。本文要揭示的是，前者更多是与产品设计有关，而后者才是这种转化能力的关键。
互联网经济的三波红利
一方面是生态红利消失殆尽；另一方面是深耕数据红利的企业开始越过“拐点”，将迎来一次新的“大爆炸”。
互联网经济发展至今，已经涌现了两波红利，而第三波红利即将来临。
第一波是流量红利。那个时候，企业只要接网就可以带来大量廉价的线上流量。以凡客为例，2008年其开始尝试从传统的电话销售方式（原型是一家名为PPG的企业）转型线上，一个月后，其销售额的一半就已经是从线上获得。另一个例证是“千团局”时期，团购网站鏖战厮杀，各自攻城略地，在极短的时间内就将大量商户搬到线上。除了强势的地面“扫街”外，团购网站确实能够从线上为商户带来大量流量才是根本原因。所以，在那个时代，创业者在融资时说的都是流量的故事。甚至，有的风投机构直接用“用户数”乘以“单个用户获取成本”来为项目估值。
第二波是生态红利。在大部分线上流量已经被挖掘，逐渐聚拢于BAT等大巨头之后，“流量黑洞”基本形成，流量成本极高，企业说故事的方式也开始不同。一类拥有流量的企业反复强调自己在打造生态，强调自己能够利用好流量，能做许多事情（多种生意）。例如，小米讲“生态链”的故事，乐视讲“生态化反”的故事，虽各有成败，但商业故事的方向都是一样的。与之相反，另一类不拥有流量的企业则强调“不做流量的入口，而做服务的出口”。它们在大流量入口的企业搭建的平台或生态里发展，力图变成生态里的“霸王龙”。这个阶段，流量如何变现才是关键。所以，对于生态红利时代的创业者或者资本来说，要想对项目进行估值判断，关键在于先了解清楚流量能够成就什么具体的生意，以及这些生意究竟能够做多大。
即将到来的第三波红利是数据红利。当同时具备了流量资产与生态资产时（即供需两端都上线了），商业模式的关键就在于是否能够有效撮合供需。互联网经济兴起的早期（2012年前后），业界一度认为黄太吉、小米那种建立粉丝群，通过交互用户获得用户需求的方式就是“互联网思维”。但事实上，那种方式建立的只是一个“小生态”，成本极高，且无法规模扩张。真正的互联网商业模式，一定是基于数据来撮合供需的。形象点说，一是要有以“产品”或“社群”形式出现的“终端”，形成流量的入口，并且将流量数据化、在线化；二是要能够提供“云端”服务，在资源数据化、在线化的基础上，通过“大数据+云计算+算法”，将其精准配置给流量。
按照常理，这应该是互联网企业最擅长的，但事实上，却是诸多互联网企业共同的短板。原因很简单，在第一、二波红利期里，更多是通过头部流量（需求）和头部资源（供给）的拉动，形成了一定的GMV，这类需求和供给都特别强烈，当互联网企业提供了一个线上平台，自然能够形成交易，但并非企业基于数据进行撮合的结果。一旦第二波红利也开始消失，企业就必须寻找新的突破口。此时，一方面是生态红利消失殆尽；另一方面是那些深耕数据红利的企业开始越过“拐点”。这个V字形的谷底必然会有一个“大爆炸”，在此之后，会有若干之前有过累积的企业突破拐点、横空出世，甚至再次诞生BAT级别的、几千亿美元估值的头部企业。当然，也有可能是BAT这类企业再进一步，抵达万亿美元市值（图1）。
挖掘数据红利的两要素
互联网商业模式的终局还是会落到数据红利上。
有意思的是，依靠头部流量和头部资源形成的交易量，在很长一段时间里被若干互联网企业视为必然。有一种论调是：互联网用户相当于一个金字塔，只有塔尖的一小部分人会付费，所以，必须要形成庞大的用户基座（即要有庞大的流量池）；另一种论调是：导入大量的头部资源方，不论是带入其本身的流量，还是依赖它们的交易能力，都能够立竿见影。
但如果我们了解互联网经济的发展规律，就会发现这两种论调都会“过时”。互联网商业模式的终局还是会落到数据红利上。要挖掘出数据红利，应该是这样一种“循环的逻辑”：
基于產品形式的“端口（硬件+软件）”导入流量和资源，这个上线的过程自然会形成供需两端的“在线热数据”；而后，基于算法来匹配供需，为流量匹配精准的资源；供需的每一次匹配都会形成双方的反馈，也会导致持续的在线动作，而这些源源不绝的数据又会优化算法，导致对于供需的匹配更精准。
其实，用数据喂养出更好的算法，就是一个“机器学习”的过程，这种人工智能的成长是没有上限的，越多的数据来“喂养”，它就越强大，越能促成供需两端更精确的匹配，也导致更多的流量和资源进入，平台或生态就会越来越强。 例如，谷歌基于用户的搜索动作和对结果的反馈，不断优化搜索的算法，这一过程中，越来越多的用户感觉到其强大的内容提供能力而进入平台，越来越多的内容也被抓入平台。其实，“流量黑洞”并不是真正的黑洞，“算法黑洞”才是真正会导致赢者通吃的黑洞。
2002年，谷歌还是一家不怎么出众的小公司，也并未IPO。凯文·凯利问谷歌创始人拉里·佩奇：“拉里，我搞不懂。已经有这么多家搜索公司，为什么还要做免费网络搜索？这主意有什么好的？”后者回答他：“哦，我们其实在做人工智能。”如凯文·凯利一样对互联网趋势有敏锐洞见的人，尚且不能预测互联网经济的未来，而拉里·佩奇这样的先驱却在开始就看到了终局，的确让人感叹。
总结起来，互联网企业要挖掘数据红利，应该具备两个要素：
第一，要有基于场景的“产品”来形成入口，让流量和资源以数据化的形式上线。一是要有成立的“场景”，即用户或商户的需求应该是高频的、刚需的，这是决定商业模式能够做多大的底层逻辑；二是要基于“场景”做出能够简单上手又功能强大的产品，这决定了理论上存在的流量和资源能否上线以及在线效率如何。一款杀手级的产品能够将场景完美实现，让供需双方都沉浸其中，这通常需要创业者通过交互用户来获得概念并设计产品。
第二，要有“计算能力”，能够把数据用活，形成一个闭环。计算能力是“大数据+算法+云计算”三者的结合，缺一不可。由于供需双方的上线，大量的“在线热数据”适时产生，形成了我们口中的“大数据”；而“算法”则是商业模式设计思路的体现，由互联网企业自己来定义，并设定机器学习的演化路径；至于“云计算”，Amazon的AWS、微软的Azure、谷歌的GCE、IBM的Softlayer和阿里云之类的服务商已经实现了计算能力的随需调用（就像工业经济时代的电力一样）。当三者结合，就能够把数据高效地应用起来，实现供需之间的匹配，并通过机器学习让算法越来越“聪明”。显然，前面小范围交互用户（或商户）获得需求的方式只是商业模式的起点，并不能替代后续这里通过“计算能力”实现的效果。
基于此，评估互联网企业在撮合供需上的“转化能力”的基本逻辑应该是：
E=P·C
其中，E依然代表从“转化能力”角度评估出的项目的经济价值，P（Product）代表“场景产品力”，C（Computing Power）代表“云端计算力”。这样设置模型意味着，两者对结构的影响都是乘数效应，而任何一个变量过于弱小，项目的估值都不会太高。
还原场景的产品力
没有选好赛道就开始大干快上的互联网创业项目，相当于在沙滩上建房子。
我们需要了解的是场景是否成立，产品是否用最合理的方式还原了这种场景。也可以用另一个角度的问题来替代，即在这种“还原的场景”里，用户（或商户）的需求是否被有效满足，而这种满足程度相对于竞争对手是否具有优势。
再通俗点说，这是产品选择赛道的问题，具体包含了如下几个问题：
● 企业针对的细分用户（或商户）群是哪些，他们有什么需求？
● 企业基于核心竞争力提供的解决方案是什么？
● 企业敢不敢保证，如果竞争对手进入目前所在赛道，80%以上可能会死掉？
其实，这几个问题已经很清晰地呈现了企业的产品定位，也呈现了产品的前途。为了量化这种前途，亦可使用穆胜事务所整理的一个简洁分析工具（如表1）。需要说明的是，这个工具采纳了狩野纪昭提出的KANO模型和IBM提出的$APPEALS模型的主流逻辑。
由此，我们得出企业的“场景产品力指数”为：
P=mD1+nD2
其中，D1和D2分别是期望型需求和魅力型需求，m和n分别代表两种需求之间的权重分配，合计为100%。
反观已经发生的大量互联网创业项目，基本都是在没有选好赛道时就匆匆上马。过去，业界将这种“快速行动，持续迭代”定义为“互联网思维”的重要组成部分，但事实上，这样的创业方式无异于“脚踩西瓜皮，滑到哪里算哪里”。没有选好赛道就开始大干快上，相当于在沙滩上建房子，每一步都充斥着“勉强”。初期，用低价、补贴、买量的方式来拉新；而后，想尽一切办法快速收割变现；最后，用非常原始、低效的方式来留存；而在企业发展的每个阶段，都用故事来换资本实现“托底”。不少企业根本没有意识到问题所在。于是，产品犯下的错，直接甩锅给运营，面对一把烂牌，运营自然也无能为力。
就算是互联网业界最推崇的“精益创业”，也强调在有了“产品假设”之后，用MVP（最小可行品）去验证假设，而“产品假设”应该遵循的逻辑，正是我们在上面提到的内容。
用计算能力挖掘数据红利
计算力的强大并不体现在撮合头部流量和头部资源的交易上，而是体现在撮合长尾流量和长尾资源的交易上。
按理说，计算力应该最终通过GMV来体现。但是，这样的计量方式显然会将数据红利混同在流量红利和生态红利里。所以，笔者的假设是，计算力的强大并不体现在撮合头部流量和头部资源的交易上，而是体现在撮合长尾流量和长尾资源的交易上。需要说明的是，有的商业模式并不追求撮合供需后能够实现GMV，可能只是免费使用，但也能说明计算力，例如今日頭条基于算法撮合不同用户观看不同内容。下面为了方便描述，暂时不考虑这种情况，但分析的原理是相同的。
如果通过流量红利和生态红利实现了GMV，企业最多是将传统生意搬到了线上，实现了最浅层的商业模式迭代。例如，过去一个超市陈列商品的多少依赖于店面的大小，而现在一个电商网站陈列商品几乎是没有限制的。这是商业模式的升级，但这种升级还不够，甚至走到一个极端还会形成负面影响。当用户面临海量的商品信息，如果不能帮助他们高效地选出真正需要的产品，就会让用户焦虑，甚至离开（很大可能会转到线下）。要解决这个问题，就需要用计算能力来挖掘数据红利。 长尾流量是一些“低欲望”流量；长尾资源是一些冷门的资源供给，并不被太多的流量所需要。所以，如果仅仅是搭建一个平台，资源只能被动等待流量上门，或者投放非精准的广告，这类GMV是不可能被放大的。但是，“低欲望”并不等于“无欲望”，而是因为欲望没有被发现，它们可能是更大的“金矿”；“冷门”并不等于“无人问津”，很有可能是因为没有呈现到需要的人面前，因为是细分领域，其溢价可能更高。所以，一旦运用数据来匹配供需，这类GMV的放量就是必然的。正因如此，笔者为这种计算能力的评估设计了一个小工具（如表2）。
首先，我们将流量和资源按照其交易的频率从高到低进行排布。例如，超高频流量是指交易频率最高的前25%的用户（或商户），即购买能力最强的“头部流量”；而超高频资源则是指交易频率最高的前25%的资源（商品、信息、服务、金融等形式），即出货能力最强的“头部资源”。（请注意，这里并没有按照交易量而是按照交易频率来进行区分，这是因为后者更能说明流量的交易习惯或资源的交易能力，说明其是不是属于“长尾”。）
其次，我们为每个频率段设置了一个参数，其目的在于说明计算能力的大小。显然，按照我们上面关于“长尾交易更能说明计算能力”的假设，有a 再次，我们以流量为口径，将每类资源在每类流量中形成的交易量按照比例数进行拆分。如表2中，超高频资源在各类流量中形成的交易量分别为1/2、1/4、1/8、1/8，相加等于1。
最后，通过如下方式汇总每类资源上体现的计算能力：
显然，在我们的工具中，通过参数的调节，更多从撮合长尾需求的成果来衡量计算能力。试想，如果将当下互联网企业的数据按照这个矩阵进行呈现，可以看出多少名堂？一个判断是，如果某个企业的中、低频流量和资源只有很少的交易，那么这个企业的计算能力就有很大问题。
数据红利的未来在哪里
一个互联网企业为了让平台具有更高的运转效率，自己搭建底层的SaaS似乎是必由之路。
“产品力”和“计算力”两个要素，都是互联网企业撮合流量和资源、转化GMV的关键。但在两者中，真正的红利空间可能要从后者上面挖掘。
就“产品力”来说，互联网企业需要找到设计产品的“原型场景”，并将其进行产品化。这个过程更多依赖于创业者感知场景和设计产品的能力，都是需要天赋和机遇的。当然，中国大量的互联网产品都是采用了美国的原型，这不失为一条捷径，但请记住，将这种产品原型本地化为“中国版”，也需要在对中国场景的理解基础上进行产品改造，这也是一种能力。所以，在这个方面，只有让市场冲刷出真金。
就“计算力”来说，我们看到了一个大的趋势，那就是“数据云化”。具体来说，企业越来越倾向于通过SaaS（软件即服务，Software as a Service）的方式形成“业务流（work flow）全覆盖”的数据底层构架。过去将业务流数据化、在线化的方式无非是通过ERP。ERP是一种标准化的管理体系，对于业务流的覆盖是有限的，其在商业模式动态迭代的过程中，扩展性和兼容性也是有限的。ERP的底层逻辑决定了它不是一个开放的形式，这种路径不太可能实现。这和某些企业强调数据安全，倾向于选择私有云是一个路数，其实，私有云根本就不应该算“云”。
所谓SaaS，是在IaaS（基础设施即服务，Infrastructure as a Service）提供基础设施（如场外服务器、存储和网络硬件等）、PaaS（平台即服务，Platform as a Service）提供基础设施及中间件（如编程语言、开发库、部署工具等）的基础上的進一步延伸。具体来说，SaaS企业自己搞定硬件和中间件，将使用者想要实现的功能开发成应用软件，并为使用者提供账号供其使用，再按照不同服务等级收费。
当下，SaaS已经越来越火。2016年，Oracle用93亿美元收购了Netsuite；2018年，刚传出的消息是SAP与Qualtrics达成80亿美元的收购意向……大额的收购案背后，都是传统软件巨头们“Buy to Cloud”的决心。另一方面，今年，SaaS巨头Salesforce的估值达到了1 000亿美元左右。有意思的是，国内却出现了相反的趋势：2017年下半年开始，SaaS领域的融资出现了“断崖式”下滑，其中，2014年以后成立的SaaS企业，倒闭数量竟高达数百家。
无论SaaS企业作为一种B2B的商业模式是否存在独立发展的巨大空间，笔者想要强调的是，SaaS作为互联网企业的底层构架，可以释放出巨大的数据红利。一个互联网企业为了让自己搭建的平台具有更高的运转效率，自己搭建底层的SaaS似乎是必由之路，这样就能实现对于业务流的有效覆盖，将业务流全部数据化、在线化。如果要兼容平台上供需两端使用者的个性，还可以SaaS的形式提供API（Application Programming Interface，应用程序编程接口）。如此一来，就可以形成庞大的线上热数据，企业的算法就可以通过机器学习的形式，形成自动进化的强大人工智能，打造出其他企业难以企及的巨大优势（即数据黑洞）。
2018年5月16日，美团宣布全资收购餐饮SaaS服务企业屏芯科技，后者一直致力于打造智能餐饮数据云平台。国内互联网巨头企业并购行业内SaaS企业的案例可能还会越来越多，而它们瞄准的，都是至今依然亟待开发的、巨大的数据红利。
附文
支招：如何预测场景产品的潜力
这里的第一类需求——基本型需求是企业的必备基础，指的是需求得不到满足时，用户（或商户）很不满意；需求得到满足时，用户（或商户）也可能不会因此表现出满意。以电商为例，流畅的使用体验、产品的真实信息、可靠的支付工具等就属于这类需求。
第二类需求是期望型需求（多多益善）——用户（或商户）的需求满足程度同满意度同向变动。电商平台上提供的低廉的价格、高档的品质、快速的物流等就属于这类需求。
第三类需求是魅力型需求（喜出望外）——随着用户（或商户）的需求满足程度的增加，用户（或商户）满意度也急剧上升，但即使没有或表现不完善，客户也不会不满意。这类需求的实现通常难度较大。电商平台上提供的金融服务、最后一公里送达的温度、购买产品之外的增值服务等就属于这类。
企业可针对自身每条需求的解决方案进行评分汇总：对于基本型需求，按照“需求满足程度”，用李克特五点量表进行计分，只要没有任何一条需求的解决方案得分在3分以下，使用户（或商户）整体达到基本满意，就可以进行后续的计算，这部分得分对后续计算没有影响。
期望型需求属于“痛点”，解决方案的得分越高越好，因为这是一条“没有尽头的赛道”，其得分如实计算即可。
魅力型需求属于“痒点”，但也能形成USP（Unique Selling Point，独特售卖点），能够为营销和运营给出巨大的空间。在期望型需求不分伯仲的情况下，甚至可以成为胜负手。需要说明的是，如果考虑期望型和魅力型需求中每条需求的重要性不同，可能要对每条需求赋予不同权重并进行综合加权平均，在此不再展开。
前两期，我们分别从流量资产（需求侧）和生态资产（供给侧）的角度讨论了互联网项目的估值问题，试图从一大堆看似“劲爆”的数字中，找出真正有价值的、能够说明商业模式本质的部分，再衡量出商业模式现有的以及未来可能的空间。
如果说，从流量资产和生态资产的角度，我们都有可以抓住“锚”，那么本期即将探讨的则是一个异常模糊的领域，即，那些同时具备流量池和资源池的企业，是何种要素决定其估值？换句话说，如何评估互联网企业在撮合供需上的“转化能力”？显然，这是时下的互联网格局中决定企业前途的胜负手。
2014年，笔者曾在《叠加体验：用互联网思维设计商业模式》一书中提出，撮合供需的“转化能力”有两类：一类是直接交互用户（或商户）获取需求的能力；另一类是利用数据分析撮合供需的能力。本文要揭示的是，前者更多是与产品设计有关，而后者才是这种转化能力的关键。
互联网经济的三波红利
一方面是生态红利消失殆尽；另一方面是深耕数据红利的企业开始越过“拐点”，将迎来一次新的“大爆炸”。
互联网经济发展至今，已经涌现了两波红利，而第三波红利即将来临。
第一波是流量红利。那个时候，企业只要接网就可以带来大量廉价的线上流量。以凡客为例，2008年其开始尝试从传统的电话销售方式（原型是一家名为PPG的企业）转型线上，一个月后，其销售额的一半就已经是从线上获得。另一个例证是“千团局”时期，团购网站鏖战厮杀，各自攻城略地，在极短的时间内就将大量商户搬到线上。除了强势的地面“扫街”外，团购网站确实能够从线上为商户带来大量流量才是根本原因。所以，在那个时代，创业者在融资时说的都是流量的故事。甚至，有的风投机构直接用“用户数”乘以“单个用户获取成本”来为项目估值。
第二波是生态红利。在大部分线上流量已经被挖掘，逐渐聚拢于BAT等大巨头之后，“流量黑洞”基本形成，流量成本极高，企业说故事的方式也开始不同。一类拥有流量的企业反复强调自己在打造生态，强调自己能够利用好流量，能做许多事情（多种生意）。例如，小米讲“生态链”的故事，乐视讲“生态化反”的故事，虽各有成败，但商业故事的方向都是一样的。与之相反，另一类不拥有流量的企业则强调“不做流量的入口，而做服务的出口”。它们在大流量入口的企业搭建的平台或生态里发展，力图变成生态里的“霸王龙”。这个阶段，流量如何变现才是关键。所以，对于生态红利时代的创业者或者资本来说，要想对项目进行估值判断，关键在于先了解清楚流量能够成就什么具体的生意，以及这些生意究竟能够做多大。
即将到来的第三波红利是数据红利。当同时具备了流量资产与生态资产时（即供需两端都上线了），商业模式的关键就在于是否能够有效撮合供需。互联网经济兴起的早期（2012年前后），业界一度认为黄太吉、小米那种建立粉丝群，通过交互用户获得用户需求的方式就是“互联网思维”。但事实上，那种方式建立的只是一个“小生态”，成本极高，且无法规模扩张。真正的互联网商业模式，一定是基于数据来撮合供需的。形象点说，一是要有以“产品”或“社群”形式出现的“终端”，形成流量的入口，并且将流量数据化、在线化；二是要能够提供“云端”服务，在资源数据化、在线化的基础上，通过“大数据+云计算+算法”，将其精准配置给流量。
按照常理，这应该是互联网企业最擅长的，但事实上，却是诸多互联网企业共同的短板。原因很简单，在第一、二波红利期里，更多是通过头部流量（需求）和头部资源（供给）的拉动，形成了一定的GMV，这类需求和供给都特别强烈，当互联网企业提供了一个线上平台，自然能够形成交易，但并非企业基于数据进行撮合的结果。一旦第二波红利也开始消失，企业就必须寻找新的突破口。此时，一方面是生态红利消失殆尽；另一方面是那些深耕数据红利的企业开始越过“拐点”。这个V字形的谷底必然会有一个“大爆炸”，在此之后，会有若干之前有过累积的企业突破拐点、横空出世，甚至再次诞生BAT级别的、几千亿美元估值的头部企业。当然，也有可能是BAT这类企业再进一步，抵达万亿美元市值（图1）。
挖掘数据红利的两要素
互联网商业模式的终局还是会落到数据红利上。
有意思的是，依靠头部流量和头部资源形成的交易量，在很长一段时间里被若干互联网企业视为必然。有一种论调是：互联网用户相当于一个金字塔，只有塔尖的一小部分人会付费，所以，必须要形成庞大的用户基座（即要有庞大的流量池）；另一种论调是：导入大量的头部资源方，不论是带入其本身的流量，还是依赖它们的交易能力，都能够立竿见影。
但如果我们了解互联网经济的发展规律，就会发现这两种论调都会“过时”。互联网商业模式的终局还是会落到数据红利上。要挖掘出数据红利，应该是这样一种“循环的逻辑”：
基于產品形式的“端口（硬件+软件）”导入流量和资源，这个上线的过程自然会形成供需两端的“在线热数据”；而后，基于算法来匹配供需，为流量匹配精准的资源；供需的每一次匹配都会形成双方的反馈，也会导致持续的在线动作，而这些源源不绝的数据又会优化算法，导致对于供需的匹配更精准。
其实，用数据喂养出更好的算法，就是一个“机器学习”的过程，这种人工智能的成长是没有上限的，越多的数据来“喂养”，它就越强大，越能促成供需两端更精确的匹配，也导致更多的流量和资源进入，平台或生态就会越来越强。 例如，谷歌基于用户的搜索动作和对结果的反馈，不断优化搜索的算法，这一过程中，越来越多的用户感觉到其强大的内容提供能力而进入平台，越来越多的内容也被抓入平台。其实，“流量黑洞”并不是真正的黑洞，“算法黑洞”才是真正会导致赢者通吃的黑洞。
2002年，谷歌还是一家不怎么出众的小公司，也并未IPO。凯文·凯利问谷歌创始人拉里·佩奇：“拉里，我搞不懂。已经有这么多家搜索公司，为什么还要做免费网络搜索？这主意有什么好的？”后者回答他：“哦，我们其实在做人工智能。”如凯文·凯利一样对互联网趋势有敏锐洞见的人，尚且不能预测互联网经济的未来，而拉里·佩奇这样的先驱却在开始就看到了终局，的确让人感叹。
总结起来，互联网企业要挖掘数据红利，应该具备两个要素：
第一，要有基于场景的“产品”来形成入口，让流量和资源以数据化的形式上线。一是要有成立的“场景”，即用户或商户的需求应该是高频的、刚需的，这是决定商业模式能够做多大的底层逻辑；二是要基于“场景”做出能够简单上手又功能强大的产品，这决定了理论上存在的流量和资源能否上线以及在线效率如何。一款杀手级的产品能够将场景完美实现，让供需双方都沉浸其中，这通常需要创业者通过交互用户来获得概念并设计产品。
第二，要有“计算能力”，能够把数据用活，形成一个闭环。计算能力是“大数据+算法+云计算”三者的结合，缺一不可。由于供需双方的上线，大量的“在线热数据”适时产生，形成了我们口中的“大数据”；而“算法”则是商业模式设计思路的体现，由互联网企业自己来定义，并设定机器学习的演化路径；至于“云计算”，Amazon的AWS、微软的Azure、谷歌的GCE、IBM的Softlayer和阿里云之类的服务商已经实现了计算能力的随需调用（就像工业经济时代的电力一样）。当三者结合，就能够把数据高效地应用起来，实现供需之间的匹配，并通过机器学习让算法越来越“聪明”。显然，前面小范围交互用户（或商户）获得需求的方式只是商业模式的起点，并不能替代后续这里通过“计算能力”实现的效果。
基于此，评估互联网企业在撮合供需上的“转化能力”的基本逻辑应该是：
E=P·C
其中，E依然代表从“转化能力”角度评估出的项目的经济价值，P（Product）代表“场景产品力”，C（Computing Power）代表“云端计算力”。这样设置模型意味着，两者对结构的影响都是乘数效应，而任何一个变量过于弱小，项目的估值都不会太高。
还原场景的产品力
没有选好赛道就开始大干快上的互联网创业项目，相当于在沙滩上建房子。
我们需要了解的是场景是否成立，产品是否用最合理的方式还原了这种场景。也可以用另一个角度的问题来替代，即在这种“还原的场景”里，用户（或商户）的需求是否被有效满足，而这种满足程度相对于竞争对手是否具有优势。
再通俗点说，这是产品选择赛道的问题，具体包含了如下几个问题：
● 企业针对的细分用户（或商户）群是哪些，他们有什么需求？
● 企业基于核心竞争力提供的解决方案是什么？
● 企业敢不敢保证，如果竞争对手进入目前所在赛道，80%以上可能会死掉？
其实，这几个问题已经很清晰地呈现了企业的产品定位，也呈现了产品的前途。为了量化这种前途，亦可使用穆胜事务所整理的一个简洁分析工具（如表1）。需要说明的是，这个工具采纳了狩野纪昭提出的KANO模型和IBM提出的$APPEALS模型的主流逻辑。
由此，我们得出企业的“场景产品力指数”为：
P=mD1+nD2
其中，D1和D2分别是期望型需求和魅力型需求，m和n分别代表两种需求之间的权重分配，合计为100%。
反观已经发生的大量互联网创业项目，基本都是在没有选好赛道时就匆匆上马。过去，业界将这种“快速行动，持续迭代”定义为“互联网思维”的重要组成部分，但事实上，这样的创业方式无异于“脚踩西瓜皮，滑到哪里算哪里”。没有选好赛道就开始大干快上，相当于在沙滩上建房子，每一步都充斥着“勉强”。初期，用低价、补贴、买量的方式来拉新；而后，想尽一切办法快速收割变现；最后，用非常原始、低效的方式来留存；而在企业发展的每个阶段，都用故事来换资本实现“托底”。不少企业根本没有意识到问题所在。于是，产品犯下的错，直接甩锅给运营，面对一把烂牌，运营自然也无能为力。
就算是互联网业界最推崇的“精益创业”，也强调在有了“产品假设”之后，用MVP（最小可行品）去验证假设，而“产品假设”应该遵循的逻辑，正是我们在上面提到的内容。
用计算能力挖掘数据红利
计算力的强大并不体现在撮合头部流量和头部资源的交易上，而是体现在撮合长尾流量和长尾资源的交易上。
按理说，计算力应该最终通过GMV来体现。但是，这样的计量方式显然会将数据红利混同在流量红利和生态红利里。所以，笔者的假设是，计算力的强大并不体现在撮合头部流量和头部资源的交易上，而是体现在撮合长尾流量和长尾资源的交易上。需要说明的是，有的商业模式并不追求撮合供需后能够实现GMV，可能只是免费使用，但也能说明计算力，例如今日頭条基于算法撮合不同用户观看不同内容。下面为了方便描述，暂时不考虑这种情况，但分析的原理是相同的。
如果通过流量红利和生态红利实现了GMV，企业最多是将传统生意搬到了线上，实现了最浅层的商业模式迭代。例如，过去一个超市陈列商品的多少依赖于店面的大小，而现在一个电商网站陈列商品几乎是没有限制的。这是商业模式的升级，但这种升级还不够，甚至走到一个极端还会形成负面影响。当用户面临海量的商品信息，如果不能帮助他们高效地选出真正需要的产品，就会让用户焦虑，甚至离开（很大可能会转到线下）。要解决这个问题，就需要用计算能力来挖掘数据红利。 长尾流量是一些“低欲望”流量；长尾资源是一些冷门的资源供给，并不被太多的流量所需要。所以，如果仅仅是搭建一个平台，资源只能被动等待流量上门，或者投放非精准的广告，这类GMV是不可能被放大的。但是，“低欲望”并不等于“无欲望”，而是因为欲望没有被发现，它们可能是更大的“金矿”；“冷门”并不等于“无人问津”，很有可能是因为没有呈现到需要的人面前，因为是细分领域，其溢价可能更高。所以，一旦运用数据来匹配供需，这类GMV的放量就是必然的。正因如此，笔者为这种计算能力的评估设计了一个小工具（如表2）。
首先，我们将流量和资源按照其交易的频率从高到低进行排布。例如，超高频流量是指交易频率最高的前25%的用户（或商户），即购买能力最强的“头部流量”；而超高频资源则是指交易频率最高的前25%的资源（商品、信息、服务、金融等形式），即出货能力最强的“头部资源”。（请注意，这里并没有按照交易量而是按照交易频率来进行区分，这是因为后者更能说明流量的交易习惯或资源的交易能力，说明其是不是属于“长尾”。）
其次，我们为每个频率段设置了一个参数，其目的在于说明计算能力的大小。显然，按照我们上面关于“长尾交易更能说明计算能力”的假设，有a
最后，通过如下方式汇总每类资源上体现的计算能力：
显然，在我们的工具中，通过参数的调节，更多从撮合长尾需求的成果来衡量计算能力。试想，如果将当下互联网企业的数据按照这个矩阵进行呈现，可以看出多少名堂？一个判断是，如果某个企业的中、低频流量和资源只有很少的交易，那么这个企业的计算能力就有很大问题。
数据红利的未来在哪里
一个互联网企业为了让平台具有更高的运转效率，自己搭建底层的SaaS似乎是必由之路。
“产品力”和“计算力”两个要素，都是互联网企业撮合流量和资源、转化GMV的关键。但在两者中，真正的红利空间可能要从后者上面挖掘。
就“产品力”来说，互联网企业需要找到设计产品的“原型场景”，并将其进行产品化。这个过程更多依赖于创业者感知场景和设计产品的能力，都是需要天赋和机遇的。当然，中国大量的互联网产品都是采用了美国的原型，这不失为一条捷径，但请记住，将这种产品原型本地化为“中国版”，也需要在对中国场景的理解基础上进行产品改造，这也是一种能力。所以，在这个方面，只有让市场冲刷出真金。
就“计算力”来说，我们看到了一个大的趋势，那就是“数据云化”。具体来说，企业越来越倾向于通过SaaS（软件即服务，Software as a Service）的方式形成“业务流（work flow）全覆盖”的数据底层构架。过去将业务流数据化、在线化的方式无非是通过ERP。ERP是一种标准化的管理体系，对于业务流的覆盖是有限的，其在商业模式动态迭代的过程中，扩展性和兼容性也是有限的。ERP的底层逻辑决定了它不是一个开放的形式，这种路径不太可能实现。这和某些企业强调数据安全，倾向于选择私有云是一个路数，其实，私有云根本就不应该算“云”。
所谓SaaS，是在IaaS（基础设施即服务，Infrastructure as a Service）提供基础设施（如场外服务器、存储和网络硬件等）、PaaS（平台即服务，Platform as a Service）提供基础设施及中间件（如编程语言、开发库、部署工具等）的基础上的進一步延伸。具体来说，SaaS企业自己搞定硬件和中间件，将使用者想要实现的功能开发成应用软件，并为使用者提供账号供其使用，再按照不同服务等级收费。
当下，SaaS已经越来越火。2016年，Oracle用93亿美元收购了Netsuite；2018年，刚传出的消息是SAP与Qualtrics达成80亿美元的收购意向……大额的收购案背后，都是传统软件巨头们“Buy to Cloud”的决心。另一方面，今年，SaaS巨头Salesforce的估值达到了1 000亿美元左右。有意思的是，国内却出现了相反的趋势：2017年下半年开始，SaaS领域的融资出现了“断崖式”下滑，其中，2014年以后成立的SaaS企业，倒闭数量竟高达数百家。
无论SaaS企业作为一种B2B的商业模式是否存在独立发展的巨大空间，笔者想要强调的是，SaaS作为互联网企业的底层构架，可以释放出巨大的数据红利。一个互联网企业为了让自己搭建的平台具有更高的运转效率，自己搭建底层的SaaS似乎是必由之路，这样就能实现对于业务流的有效覆盖，将业务流全部数据化、在线化。如果要兼容平台上供需两端使用者的个性，还可以SaaS的形式提供API（Application Programming Interface，应用程序编程接口）。如此一来，就可以形成庞大的线上热数据，企业的算法就可以通过机器学习的形式，形成自动进化的强大人工智能，打造出其他企业难以企及的巨大优势（即数据黑洞）。
2018年5月16日，美团宣布全资收购餐饮SaaS服务企业屏芯科技，后者一直致力于打造智能餐饮数据云平台。国内互联网巨头企业并购行业内SaaS企业的案例可能还会越来越多，而它们瞄准的，都是至今依然亟待开发的、巨大的数据红利。
附文
支招：如何预测场景产品的潜力
这里的第一类需求——基本型需求是企业的必备基础，指的是需求得不到满足时，用户（或商户）很不满意；需求得到满足时，用户（或商户）也可能不会因此表现出满意。以电商为例，流畅的使用体验、产品的真实信息、可靠的支付工具等就属于这类需求。
第二类需求是期望型需求（多多益善）——用户（或商户）的需求满足程度同满意度同向变动。电商平台上提供的低廉的价格、高档的品质、快速的物流等就属于这类需求。
第三类需求是魅力型需求（喜出望外）——随着用户（或商户）的需求满足程度的增加，用户（或商户）满意度也急剧上升，但即使没有或表现不完善，客户也不会不满意。这类需求的实现通常难度较大。电商平台上提供的金融服务、最后一公里送达的温度、购买产品之外的增值服务等就属于这类。
企业可针对自身每条需求的解决方案进行评分汇总：对于基本型需求，按照“需求满足程度”，用李克特五点量表进行计分，只要没有任何一条需求的解决方案得分在3分以下，使用户（或商户）整体达到基本满意，就可以进行后续的计算，这部分得分对后续计算没有影响。
期望型需求属于“痛点”，解决方案的得分越高越好，因为这是一条“没有尽头的赛道”，其得分如实计算即可。
魅力型需求属于“痒点”，但也能形成USP（Unique Selling Point，独特售卖点），能够为营销和运营给出巨大的空间。在期望型需求不分伯仲的情况下，甚至可以成为胜负手。需要说明的是，如果考虑期望型和魅力型需求中每条需求的重要性不同，可能要对每条需求赋予不同权重并进行综合加权平均，在此不再展开。