数据驱动决策制定

作为奥克兰运动家棒球队（Oakland Athletics）的总经理，比利·比恩面临着一个难题。比恩和奥克兰运动家棒球队得组建一支具有强大战斗力的球队，但却没有像纽约扬基队那样庞大的市场预算。在电影《点球成金》（Moneyball）以及由迈克尔·刘易斯所撰写的同名小说中，比恩将求助于数据和统计。这种方式被称为“赛伯计量学”（Sabermetrics），这一术语是由棒球作家和统计学家比尔·詹姆斯（Bill James）提出来的。“赛伯计量学”一词由SABR演变而来，意思是“寻找关于棒球的一切客观事实”，其中SABR是指美国棒球研究学会。

当时，比恩的数据驱动方法广受批评。它打破了多年来球探观测球员所使用的传统定性观察法，取而代之的是专注于用资金买足够多的比赛——不买单个球员，而是买整个集体，也就是说，买赢家。

比恩并没有如传统意义上定义的那样使用大数据，比方说，使用远远超出传统数据库所能处理的大量数据。相反地，他以一种创新的方式使用数据。比恩使用的是数据驱动的方法，而不是单纯地依赖于定性信息。更具体地说，正如纳特·西尔弗（Nate Silver）在他的畅销书《信号和噪声》（The Signal and the Noise: Why Most Predictions Fail but Some Don't）中所指出的一样，比恩只使用了有效数据，例如上垒率，并没有采用其他无效数据。

西尔弗运用了PECOTA体系（运动员经验比较及优化测试数据体系的简写），这是一个广泛运用于预测主要棒球联赛球员表现的赛伯计量学体系。PECOTA体系借鉴的是一个包含了第二次世界大战以来近20 000场大型联赛和15 000场小型联赛的数据库。

如今，想运用数据驱动方法的机构通常也会面临一些挑战，和当初比恩所面临的困难相差无几。将数据驱动方法运用到决策的制订过程中去并不那么简单，但是，就像比利·比恩所呈现的那样，这个方法的效果确实不错。很多机构明白他们需要更加依赖数据驱动，但是相比较而言，被数据驱动比依赖于数据驱动可简单多了。大数据应用程序则是使之变为可能的主要进步，这也是大数据应用程序趋向于创造科技界的下一个数十亿美元的上市公司的主要原因之一。

大数据操作回路

看一下全球与数据相关的最具价值的公司——亚马逊、谷歌、IBM和甲骨文，就可以清楚地知道运用大数据的价值了。亚马逊提供数十亿的电子商务交易，谷歌处理数十亿的检索，IBM和甲骨文则提供用于存储和处理海量数据的数据库软件和应用。简单来说就是，大数据意味着很多钱。

虽然棒球并不是唯一一种挣扎着想基于数据来作决策的城市运动，但是大部分机构仍然觉得作出数据驱动的决策有些困难。有时候，这些机构面临的困境就是没有数据。比方说，要取得关于市场行为的全面数据目前来说还是很困难。计算出你花费在市场营销上的成本是一回事，将之与实际销售数量相联系又是另外一回事。于是，这又应了那句关于市场营销的老话，“我知道我有一半的广告费用被浪费了，但是我不知道是哪一半。”然而，现在我们要从客户、供应链以及机器的性能（从网络服务器到汽车再到飞机以及许多其他关键业务）中收集相关的重要的信息。最大的挑战不再是收集信息，而是如何弄明白。

几十年来，理解数据是数据分析师、统计学家和博士们的事情。业务经理要想处理数据，不仅要等IT部门收集到主要数据，还要等分析师们将数据汇聚并分析理解之后才能处理。大数据应用程序的前景不仅是收集数据的能力，还是利用数据的能力，而且对数据的利用不需要采用只有统计学家们才会使用的一系列工具。通过让数据变得更易获取，大数据应用程序将使组织机构一个产品线、一个产品线地变得更依赖于数据驱动。不过，即使我们有了数据和利用数据所需的相关工具，要做到数据化还是有相应的难度的。有观点容易，但有信念很难。

正如沃伦·巴菲特曾经说过的一句名言，“在别人贪婪时恐惧，在别人恐惧时贪婪。”即使有史为证，但仍有投资者继续投资好消息，出售不良信息，如此做是不明智的。经济学家一直认为我们基于逻辑原则办事，可事实上并非如此。诺贝尔奖获得者，心理学家丹尼尔·卡尼曼（Daniel Kahneman）和他的同事阿莫斯·特沃斯基（Amos Tversky）指出，我们的行为经常不合逻辑。在得与失之间，我们更看重的是失。在做决定的时候，一些生动事例的影响超过数据的影响，即使这些数据更可信。换一种说法就是：同意巴菲特的观点是一回事，像巴菲特一样做事又是一回事。

数据驱动要求我们不仅要掌握数据，挑出相关数据，还必须基于相关数据来制订决策。这样的话，我们既要有信心，即相信数据；也要有足够的信念，即使大众的意见与之相左，也要基于数据来进行决策。我们将其称为大数据操作回路（见图9—1），就在下一小节，我们将会解释其中的一部分——信号与噪声。

信号与噪声

无论是从文化角度来看还是从实施的角度来看，大数据应用程序在推动进步的过程中充当如此重要角色的主要原因之一，就是实现数据驱动如此困难。从历史角度来看，获取和处理数据都很麻烦。关键是数据并不常集中在一个地方。公司内部数据分布在一系列不同的数据库、数据存储器和文件服务器之中。而外部数据则分布在市场报告、网络以及其他难以获取数据的地方。

大数据的挑战和优势就在于，它通常会将所有数据集中到一个地方。这就意味着有可能通过处理更多更相关的数据，得到更好的洞悉。工程师们将这些数据称之为信号，当然，这也意味着有更多的噪声——与结论不相关的数据和甚至会导致错误结论的数据。

如果计算机或人不能理解数据，那么仅仅将数据集中到一块也起不了什么作用。大数据应用程序有助于从噪声中提取信号。如此一来，无论是人为还是自动的，都可以加强我们对数据的信心，提升我们基于数据进行决策的信念。

大数据反馈回路

在你第一次摸到滚烫的火炉的时候，第一次把手伸进电源盒的时候，或者第一次超速行驶的时候，你会经历一次反馈回路。不管你是否意识到，你都会进行测算并分析其结果，这个结果会影响你未来的行为。我们把这称之为“大数据反馈回路”，而这也是成功的大数据应用程序的核心所在（见图9—2）。

通过测算，你会发现摸滚烫的火炉或者被电击会让你感到疼痛，超速行驶会给你招来昂贵的罚单或者车祸。不过，你要是侥幸逃过了这些，你可能会觉得超速行驶很爽。

不管结果如何，所有的行为都会给你反馈。你会把这些反馈融入到你的个人数据图书馆中，然后根据这些数据，改变你未来的行为方式。你要是有过那么一次很爽的超速行驶的经历，在未来，你可能会更多地选择超速行驶。如果你有过被火炉烫到的不爽的经历，你可能以后在摸火炉之前会先确认它是否烫手。当涉及大数据的时候，这种反馈回路至关重要。单纯动手收集和分析数据并不够，你还必须有从数据中得出一系列结论的能力以及对这些结论的反馈，以确认这些结论的正误。你的模型融入的数据越相关，你越能得到更多关于你的假设的反馈，因而你的见解也就越有价值。

从历史的角度看，运行这种反馈回路速度慢、时间长。比方说，我们收集销售数据，然后试图总结出能促进消费者购买的定价机制或产品特征。我们调整价格、改变产品特征并再次进行试验。问题就在于，当我们总结出分析结果，并调整了价格和产品的时候，情况又发生了变化。例如有力量但是很耗油的车子已经过时了，现在流行的是节能车；MySpace不流行了，现在流行的是Facebook……还有很多这样的例子。

大数据的好处在于，我们如今能够以更快的速度运行这种反馈回路。比方说，广告界的大数据应用程序需要通过提供多种多样的广告才能够得知哪个广告最奏效，这甚至能在细分基础上得以实现——他们能判断出哪个广告对哪种人群最奏效。人们没法做这种A或B的测算——展示不同的广告来知道哪个更好，或哪个见效更快。但是计算机能大量地进行这种测算，不仅在不同的广告中间进行选择，实际上还能自行修订广告——不同的字体、颜色、尺寸或图片，以确定哪些最有效。这种实时反馈回路是大数据最具力量的一面，即大量收集数据并迅速就许多不同方法进行测算和行动的能力。

最小数据规模

随着我们不断推进大数据，收集和存储数据不再是什么大问题了，相反，如何处理数据变成了一个棘手的问题。一个高效的反馈回路需要一个足够大型的测试装置——配有网站访问量、销售人员的号召力、广告的浏览量等。我们将这种测试装置称为“最小数据规模”（Minimum Data Scale， MDS），它是指要运行大数据反馈回路并从中得出有意义的洞悉所需要的最小数据量（见图9—3）。

最小数据规模意味着公司有足够的网站访问量、足够的广告浏览量，或者足够的销售前景信息，使得决策者能基于这些测试得出有效的结论并制订决策。当公司达到最小数据规模的要求时，它就可以利用大数据应用程序告知销售人员下一步应该打电话给谁，或确定哪个广告有助于实现最高的折现率，或者给读者推荐正确的电影或书籍。当公司的数据集如此巨大，已经变成一项竞争优势的时候，这就意味着这家公司已经达到了贝宝（PayPal）和LinkedIn的前分析大师迈克·格林菲尔德（Mike Greenfield）所说的数据规模。像亚马逊、谷歌、Facebook、贝宝、LinkedIn以及其他的一些公司都已达到了这个数据规模。

大数据应用程序的优势与作用

大数据应用程序的优势就在于它负责运行大数据的部分或全部反馈回路。一些大数据应用程序，比如说强大的分析和可视化应用，能把数据放在一个地方并让其可视，然后，人们能决定下一步该做什么。还有一些大数据应用程序可以自动测试新方法并决定下一步做什么，比如自动投放广告和网站优化。

现今的大数据应用程序在实现全球数据规模最大化的过程中所起的作用并不大。它们没法发明苹果手机或创建下一个Facebook，但是，它们可以最大限度地优化当地的数据规模，使之最大化。它们能投放合适的广告、优化网页、告知销售人员电话营销的对象，还能在销售人员打电话的过程中指点他，告诉他应该说些什么。

正是数据规模与应用程序——具体来说就是与大数据应用程序的结合，将助力未来的数十亿美元的上市公司。

大数据资产的崛起

我们将公司收集的大量数据称之为“大数据资产”。将数据转化为优势的公司相较并未如此做的公司而言，会更具价值。他们将有能力降低成本、提升价格、区分优劣、吸引更多顾客并最终留住更多顾客。这主要包含两层意思：

• 第一，对初创公司来说，现在有大量的机会能够使公司通过创建应用来实现这种竞争优势，且这种方法一经创建能立即被使用。公司无须自行创建这些可能性，它们能通过应用程序获取可能性。
• 第二，将数据和依靠数据办事的能力作为核心资产的公司（不管是初创公司还是大型公司），相比并非如此的公司而言，有极大的竞争优势。

贝宝公司和Square公司在为打破传统的支付生态系统而竞争。胜利者可以更了解消费者的心态，并能更有效地服务于消费者。两家公司都掌握了大量的交易数据，但真正能更高效地依靠数据办事的公司最后一定会脱颖而出。

创建一个数十亿美元的公司需要什么

大数据怀抱着如此多的机遇，那么，创建一个小公司和一个大公司之间的差别是什么呢？正如Ignition Partners公司的创始合伙人卡梅隆·梅尔沃德（Cameron Myhrvold）对我说的，创建一个数十亿美元的大公司并不只是简单地挑选一个庞大的市场，它意味着挑选一个合适的市场。中国的快餐业是一个大市场，但是这并不意味着它就是一个好的市场。快餐业竞争激烈，要打开这个市场非常难。

创建一个数十亿美元的公司就是在巨浪中漂流。大数据、云、移动设备以及社会因素之所以被提了又提，就是因为它们正是这些巨浪。乘着这些巨浪的公司相比其他公司更有可能成功。当然，要成功并不仅限于此，还要创建与这些巨浪相一致的具体产品，将必不可少的价值传递给顾客。

过去几年间，涌现出了很多的网络公司。其中一些最成功的公司，如Facebook和Twitter，其实是大数据公司，只是伪装成了消费品公司。他们存储了大量的数据信息，他们拥有全面的数字社交图谱——展示我们如何与他人以及与其他实体（诸如品牌）相互联结。这样的公司有内置系统，以优化谁看到什么内容以及谁看到什么广告。如今，将这些能力注入企业当中，就有很多机会创建数十亿美元的公司，正如采取大数据应用程序这一非常规解决方法一样。从历史上看，对企业来说，处理这样复杂的数据需要购买硬件和软件，并在上面安装自定义应用程序。

企业的软件产品是这些应用的基础，但他们为了让用户能使用这些复杂数据，会伴有耗时的集成、昂贵的咨询和核心系统之上的定制开发等。这种定制开发以及从一个企业系统转移到另一个企业系统的困难情况，使得客户在更换供应商时困难重重。比方说，要一个应用程序能处理所需数据，以便在飞机晚点的时候能通知行李处理系统是很困难的，而且创建成本很高。大数据应用程序意味着更少的定向开发和更多可以解决具体问题的应用程序。

大数据领域的合作趋势

鉴于所有的机遇，也许对于一个能得到有效牵引的新兴企业来说，在达到数十亿美元身价的过程中，所面临的最大挑战就是公司极有可能被收购。从历史上来看，供应商和客户相互依赖又相互背离。客户想要灵活性，但由于定制开发和集成的超大投入，使之不得随意更改供应商；而供应商则希望能够固定下来，不被替代。

另一方面，大客户需要全面的解决方案。即使供应商并非在每个领域都拥有最好的技术，但是选择一个全面的解决方案尤为重要。在危急时刻（系统中断、数据问题或其他重大问题发生时），客户可以通过联系供应商来解决问题。在一个众多系统复杂交错的世界，飞行调度、行李跟进、包裹递送等各个方面都至关重要。

如今，就连厨房里都会有分工不同的厨师。说起企业领域的大型厂商，一些市值近千亿美元及以上的传统超大型公司，如思科公司（Cisco）、IBM、英特尔公司、微软公司、甲骨文公司还有SAP公司，他们都提供软硬件产品组合。也有一些正在不断发展壮大的超大型公司，像亚马逊、苹果和谷歌。也有资产在200亿~500亿美元之间的公司，如惠普公司、EMC公司、Salesforce和VMWare公司等。

最后，还有一些市值在100亿美元及以下的公司，如BMC软件公司、Informatica公司、NetApp公司、Workday公司、NetSuite公司、ServiceNow公司、Software AG公司、TIBCO公司和Splunk公司等。这类公司由一些新公司（Workday公司、ServiceNow公司以及Splunk公司）和一些老公司（BMC公司、TIBCO公司）组成。小公司可能会成为大公司的收购目标。思科公司和 IBM可能会对Splunk公司感兴趣，而甲骨文公司和惠普公司可能想收购TIBCO公司。

现在的上市公司可以通过将更多大数据应用添加到它们的投资组合中来扩大规模。可以预见，Salesforce公司和甲骨文公司会持续买进这些大数据应用。Salesforce公司将继续打造一个够大、够全面且不容易被推翻的生态系统。而甲骨文公司将会添加更多的云服务，以根据客户的需要提供更多的大数据，或者将更多的大数据上传到云端。像TIBCO公司和Software AG公司这样的公司也仍然在收购。两家公司都在建立自己的现金储备，可能着眼于创建投资组合或增加一些非基本收入。

对企业家来说，试图创建下一个价值十亿美元的上市公司意味着什么？这意味着他们需要讲述一个了不起的品牌故事、巨额的收入增长，或者两者都需要。比如，Splunk公司一开始是采用集中的方式来查看日志文件的，而如今，它是甲骨文公司的数据机。这样的故事肯定有效果，而公司也会不断进步。

小型公司寻求扩大规模，而大型公司则力保吸引力、高盈利，以及为企业的销售组织的巨大规模进行融资。这意味着，拥有成功产品且收入不断增长的企业家若想让企业市值数十亿美元的话，就必须得努力工作，以保证不过早地被收购。

大数据催生崭新的应用程序

提及大数据，我们已经见证了一系列新应用程序的诞生。我们目前所见的大数据应用程序仅仅只是其中的冰山一角。现在，很多应用程序都聚集在业务问题上，但是将来会出现更多的打破整个大环境和产业现状的应用程序。就拿加利福尼亚州圣克鲁斯市的警局为例，他们通过分析历史犯罪记录，预测犯罪即将发生的地点。然后，他们派警员到有可能发生犯罪的地方。事实证明，这有利于降低犯罪率。也就是说，只要在一天中适当的时间或者一周中适当的一天（这取决于历史数据分析），将警员安插在适当的地方，就能减少犯罪。一家名为Predpol的公司为圣克鲁斯市警察局提供协助——该公司通过分析处理犯罪活动这种类型的大数据，以使其能在这种特定用途上发挥效用。

关键不在于投资者必须支持（或者企业家必须创办）预测公司。正如微软前首席技术官（CTO）及微软研究院的创始人纳森·梅尔沃德（Nathan Myhrvold）所说，大数据的关键就是它正在催生一系列新应用程序，这也意味着大数据不只为大公司所用。大数据将影响各种规模的公司，同时还会影响到我们的个人生活——从我们如何生活、如何相爱到如何学习。大数据再也不是有着大量数据分析师和数据工程师的大企业的专利。

分析大数据的基础架构已经具备（至少对企业来说），这些基础架构中的大部分都能在“云”中找到。起先实施起来是很容易的。有大量的公共数据可以利用，如此一来，企业家们将会创建大量的大数据应用程序。企业家和投资者所面临的挑战就是找到有意义的数据组合，包括公开的和私人的数据，然后将其在具体的应用中结合起来——这些应用将在未来几年内为很多人带来真正的好处。将美国最大评论网站Yelp网站的数据、Twitter的情绪数据和关于天气模式的政府数据结合起来，能够创建一些非常了不起的应用程序。银行也许能够更好地推断出该给谁贷款，而正在为下一个门店选址的公司也许能有更好的预见，从而选择更好的地址。

当涉及大的回报时，至少是风险投资这一块，就类似于在巨浪中漂流。像苹果、Facebook、谷歌和其他一些大赢家所展示的，赢家并不是要做第一名，而是要有能乘风破浪的最好的产品。投资者赌的其他巨浪就是移动应用、云计算和社会因素。当然，移动应用会影响人们使用媒体、相互交流以及做生意的地点、时间和方式。云计算使得计算和存储资源随时可用，而社会因素也正改变着人们的交流方式——其中任何一个因素都是大风大浪。

企业家寻求创建公司，投资者寻求回报，而打造下一个数十亿美元的上市公司的机会可以归结为以下三点：

• 选择合适的市场，而不是单纯的大市场。最佳市场是那些具有快速增长潜力的市场。

• 乘风破浪：大数据、云计算、移动应用或社会因素都是大风大浪。

• 正如风险投资公司Trinity Ventures的合伙人斯·泰（Gus Tai）所说，对高度模糊性不以为奇。

从概念上来说，如果道路完全清晰的话，机遇就有可能太小。清晰的道路肯定让人舒心得多，毕竟，我们能看清它。但是有可能打造数十亿美元新公司的最初机遇，其本质就是模糊不清的。这就需要企业家和投资者乐于走出他们的舒适地带。下一波数十亿美元的大数据企业将在道路模糊的地方创建大数据应用程序，但是它们的目标一清二楚。

学Zillow，寻找大数据“空白”

大数据为创业和投资开辟了一些新的领域。你不需要是统计学家、工程师或者数据分析师就可以轻松获取数据，然后凭借分析和洞察力开发可行的产品。这是一个充满机遇的主要领域。就像Facebook让照片分享变得更容易一样，新产品不仅能使分析变得更简单，还能将分析结果与人分享，并从这种协作中学到一些东西。

将众多内部数据聚合到一个地方，或者将公共数据和个人数据源相结合，也能开辟出产品开发和投资的新机遇。新数据组合能带来更优的信用评级、更好的城市规划，公司将有能力比竞争对手更快速、敏捷地发现市场变化并作出反应。大数据也将会有新的信息和数据服务业务。虽然如今网上有大量数据——从学校的成绩指标、天气信息到美国人口普查，数据应有尽有，但是很多这些数据的原始数据依然很难获取。

免费房地产估价服务网站Zillow公司整合了大量的房地产数据，并且使之能简单获取。公司不仅查看了全美房屋待销清单，还汇编了美国各地的住房销售数据。Zillow公司提供的这类服务在其他行业也将兴起。收集数据、将数据标准化，并且要以一种能轻易获取数据的方式呈现数据可不容易。信息服务的范围已经到了不得不细分的时刻，因为处理这些数据太难了。

新数据服务也会因为我们生成的新数据而涌现。因为智能手机配备有GPS、动力感应和内置联网功能，它们就成为了生成低成本具体位置数据的完美选择。研发者也已经开始创建应用程序来检测路面异常情况，比方说基于震动来检测路面坑洞。这需要大数据应用程序中的最基本的应用程序——如智能手机采用的这一类低成本传感器来收集新数据。

从“空白”中提取最大价值

要从这样的空白机遇里提炼出最大的价值，不仅需要金融市场理解大数据业务，还需要其订阅大数据业务。

虽然Splunk公司主要是通过传统模式来进行销售的，即授权软件及服务，但是该公司是根据每日索引的数据量来收费的。因此，投资者只要根据公司管理的数据量，就可以很容易地为Splunk公司估值,因为其数据量直接与收入挂钩（Splunk公司也推出了有效期许可证，公司每年收取年费）。然而，对于众多基于云计算的产品来说，这样的估值并不容易。正如Salesforce公司的前首席营销官，同时也是基于云计算的订阅付费公司祖睿（Zuora）的首席执行官左轩霆(Tien Tzuo)所说，财务经理仍不能充分认识到订阅业务的价值。

这点很重要，因为该公司将采取订阅模式为将来的许多大数据应用程序融资。左轩霆表示，这种模式是为了构建持续的客户关系并使之货币化。这与传统的认证软件和基础硬件同行并不一样，他们是为了“开发和运输一次性交易的产品。”正如左轩霆所说，清楚一个人会一次付给你100美元，与清楚有人会在接下来的八年内每年付给你100美元相比，可没那么重要。

未来，采用订阅模式的公司能更好地稳住他们的客流，并能维持稳定的收入。他们既不需要努力引进新客户——这已经够难的了，也不需要说服已有客户将软件更新至新版本。相反，他们可以将重心仅放在传递价值上。苹果公司拥有现今世界上最好的销售模式：

• 人们经常一次性购买iPad、iPhone和Mac这类形式的产品；

• 将这些产品与具有持续收益的数字商品（例如歌曲、音乐）相结合。

但即使品牌令人无比信赖，苹果也有可能改变现有模式而采用订阅模式。例如Spotify公司正在制作认购式音乐，以作为客户一次性购买音乐产品的备选。

20年以前，投资者很难想象会专门投资软件业务。然而现在，这样的投资再平常不过了。尽管20年以来质疑声不断，但不难想象，在未来大部分软件业务都将是订阅服务。至少，它们的价格会与实际使用效果挂钩——数据越多，费用越高；数据越少，费用越低。

然而，这类公司需要解决的问题是，如何使价格具备可预见性、灵活性和便捷性。尤其对云产品来说，基于使用情况的模式十分多样化。其中包括基于数据量收费的模式；也有的模式是根据访问量而定（一些分析服务就应用了这种模式）；还有就是基于订阅的模式。使用了这类服务，顾客就无须维护硬件、电源和工程维修资源了。服务完全根据顾客的需要而定：顾客有需要时，就可以使用更多功能；不需要时，功能就会减少。

然而，这种灵活性的成本是很难预测的。在多数情况下，此类产品的费用比传统软件要便宜，因为客户只需为所使用的服务买单。浏览手机网页时，只超过短短几分钟，很可能就会意外地产生一笔巨额账单。同样地，客户使用订阅服务时，也会有不经意间超额的情况发生。这种不可控的模糊性阻碍了一些订阅式服务的发展。供应商需要有更好的控制策略，并在企业内部有效执行这些策略，这样客户就可以更好地控制支出了。供应商不仅需要扩大服务规模，也要能顺利缩小服务规模，而不致影响到工程。

赫默·温布莱德风险投资公司（Humme Winblad Ventures）的合伙人马克·戈伦伯格（Mark Gorenberg）说，就在20年前，有限责任合伙人开始考虑将资金投入风险基金，但是他们认为投资软件产业的想法过于激进。以往，这些投资者主要将资金投资在像生产计算机芯片、网络设备等诸如此类的硬件公司里面。那时候，有限责任公司的合伙人们都怀疑，是否还会有更多像微软这样的软件公司。然而现在，对电信、硬件的投资不再受到青睐，相反，在软件方面的投资有所增长。长期以来，在针对企业的软件服务领域，投资都集中在安装软件方面。公司销售此类软件，还要负责安装、支持、升级。这要求供应商不断努力地说服已有的客户升级到新的版本来维持自己稳定的收入。

虽然，供应商仍要不断努力改进订阅模式和基于数据量的定价模式在管理和预算方面的问题，但是不难想象，在接下来的20年里，订阅式定价模式将风靡全世界。这意味着，财务经理们不会减少对订阅式公司的投资，相反，他们反而会减少对以传统软件推销和服务为主的公司的投资。这样，那些作出调整的公司将收购和合并未作调整的公司。如果说技术产业存在一条真理，那一定就是：不求变，就会一退再退，即便是一时的巨头，也难逃这样的命运。玩世不恭者会认为这是危言耸听，但要记住，人是善忘的，只需回顾一下房地产由盛而衰的过程就足矣。

在未来，会有数十亿美元的大数据新企业异军突起，而在企业对企业的业务领域，也会有他们的一席之地。在大数据、云计算、移动应用以及社会因素等因素的影响下，不难想象，信息技术在未来20年的发展一定比过去的20年更精彩。