編者按：本文來“峰瑞資本”，作者田里，側重于底層技術、交易平臺、企業服務領域的投資。 曾在 IDG 資本投資團隊擔任早期項目負責人。主導和參與投資了美圖、快牙、伏牛堂、iDareX 敢玩、Hover Camera、吆喝科技、Moka、費馬科技等項目。 曾于騰訊擔任搜索自然語言高級工程師。
感謝峰瑞和華興 alpha 合辦的這次活動，讓峰瑞的部分企業服務項目能有機會和大家交流。我試圖從近幾年宏觀經濟的變化所導致的組織結構和形態的變化、以及數據服務和流通業態的變化，來梳理峰瑞在這幾個方向上的投資邏輯，也匯報一下我們在這個邏輯下的投資實踐。
第一個投資主題是組織變革和就業場景重構。我試圖分析它發生的原因、現狀，變化和隨之而來的需求，并談談基于這些需求可以如何投資。
首先是經濟上的原因。我們從 GDP、組織和就業三個角度來觀察。GDP 方面，國家統計局的數據顯示，近期大家熱議經濟新常態和 “L 型走勢” 的同一時間，悄然發生了一個長遠意義重大的變化，2015 年中國第三產業對 GDP 總量和增速的貢獻都超過 50%，這是一個非常好的標志，發達國家第三產業對 GDP 的貢獻都比較高。
這意味著，從 2015 年開始服務業真正成為中國經濟最主要的支柱。要知道美國第三產業的 GDP 占整個 GDP 的比值是 75% 以上，中國剛剛過 50%，從這個角度來看，好日子還在后面。
組織方面，我們可以看企業規模的變化。雖然沒有被專門統計，通過用覆蓋就業最廣的民營企業法人數量除以民營企業就業人數，可以得出最近五六年，企業的平均規模從 2010 年的 110 多人降到了 2015 年的 60 多人，減少了 47% 。
就業方面，可以看自由職業者的數量。我沒有找到特別權威的統計，不過個體戶的數量在六年內翻了一倍多，從 5400 多萬增加到 1.17 億。在中國就業人口接近 8 億的情況下，自由職業者大概占了八分之一，量還是非常大的。
個體就業和自由職業是政府非常好的失業率管控手段。雖然個體戶和自由職業者所帶來的稅收可能會少一些，但是對政府而言，保障就業比維護稅收收入更重要，個體就業和自由職業是失業率非常好的緩沖劑。
其次從企業需求角度看，李克強總理提出 “雙創” 后，創業潮興起，這也導致了企業規模變小。另外，企業本身面臨非常大的成本壓力，數據顯示，最近 20 年，中國就業人口的平均工資每年漲幅大約為 13% 到 14% ，從成本角度看，控制企業規模也是一個剛需。
第三是勞動力供給的變化，領英做過一個統計，目前 70% 的自由職業者都是 85 后，他們是數字人口的第一代，性格特質年輕，追求個性，討厭辦公室政治和朝九晚五，同時從經濟角度來說自由職業對他們而言是一個更優的收入分配模式。
第四是技術上的原因。從基礎工具、溝通工具、支付工具到交易平臺，再加上移動化的大趨勢，每一層的技術都變成熟了。
列舉幾個有代表性的產品。第一個是 Github，代表基本工具；第二組是 Slack 和 Skype，代表溝通工具；第三個是 Paypal，代表支付工具；第四組是 Uber 和 Upwork，代表交易平臺。這些工具在國內都可以找到對標的公司。
簡單小結一下，經濟狀況、企業需求、勞動力供給和技術演進帶來了兩個結果：組織越變越小；自由職業和共享經濟的興起。
組織變小變扁平導致共性需求更多，因此做標準化的服務和產品更有可能。自由職業和共享經濟的興起，從供給側來講，當自由職業的供給多起來，會出現對應的工具和交易平臺；從需求側來講，組織變小，人變年輕，就要求個性化、高品質的服務或產品，也更加看重分享、協作和 Social 功能。
這些變化也帶來新機會。組織變小后，個人在組織里的身份和地位和他作為個體的身份和地位共性更多，B 和 C 的界限開始模糊，很多業務可以比較自然地從 B 做到 C，或者從 C 做到 B。
從供給側來看，我們投資了 vphotos 和墨刀，它們分別是針對攝影師人群的交易平臺和針對設計師和產品經理的開發協作工具。兩者針對的人群恰好是自由職業者里占比最高最活躍的影像和設計師工程師人群，同時也都服務 B和 C 兩種場景下客戶。
從需求側來看，百場匯、捷稅寶和酷辦則分別滿足了組織變小變扁平、自由職業和共享經濟興起這兩個趨勢下的需求。
百場匯要做活動場地領域的 Airbnb，滿足了年輕人追求個性的需求，幫他們找到優質有特色的活動場地；捷稅寶直接成為自由職業者背后的稅務顧問，它為美甲師、主播、一對一老師等新興職業提供節稅和稅務咨詢服務；酷辦做聯合辦公空間的 ERP，而自由職業者和小組織恰好是聯合辦公空間中占比最高也最忠誠的客戶。
第二個投資主題是數據服務。關于大數據有一個很好的比喻，說它 teenager sex，所有人都在談論它，但可能沒有多少人知道怎么做；大家都以為別人在做，都對外號稱自己在做。1000 個人對大數據可能有 1000 種理解，我試圖講講我們的理解，數據服務從哪里來，走向哪里。也不一定完全對，歡迎各種討論。
從歷史角度看企業信息化，可以了解我們現在處于什么位置。圖中有一條時間軸，軸的右邊是企業信息化，軸的左邊是基礎 IT 技術迭代，我們把它放在同一個時間軸上，試圖找到規律。這期間我們經歷了三個階段，第一個階段是方法和理論，第二個階段是信息化，第三個階段是數據。
1915 年批量經濟概念的提出和 1934 年確定訂貨點的統計方法，是工業生產中出現 MRP（Material Requirement Planning）理論的理論準備。MRP 理論即物料需求規劃理論，就是工廠生產中，先有一個主生產計劃，然后根據主生產計劃去協調采購、庫存。
直到 20 世紀 40 年代中葉，第一臺大型計算機才出現（它不是民用或工業用的，是軍方用來做彈道計算的）。此時計算機行業沒有給企業界帶來巨大的變化。之后的 1950 年代末，美國制造行業的一些專家經理人成立了一個叫 APICS 的組織，這個組織成立幾年后，制造行業內部運行的流程理論 MRP 才開始形成。至此理論應該相對完善了。
但在這段時間里，計算機還沒有被普遍使用，理論到系統的發展比較慢，像 1970 年代成立的現在世界上最大的做 ERP 的公司 SAP，他們最早的版本都是運行在大型機上，基礎技術沒有跟上迭代，影響了產品對用戶需求的滿足。
另一個很重要的時間點是 1970 年代，PC 的出現促使 MRP 理論開始走向 MRP II（Manufacturing Resource Planning）系統。MRP II 系統可以簡單被認為是MRP理論的實踐。1970 年代 PC 出現之后，MRPⅡ 開始大規模應用。
1980 年代之后，產品端的 MRPⅡ 系統出現，基礎技術又一次迭代，這一次迭代是 PC 進一步發展，微軟和 Intel 聯盟興起。
企業服務方向另一項關鍵技術的突破是，關系型數據庫的迅速發展，ERP 領域另一家巨頭 Oracle 基本靠此起家。關系型數據庫的發展在企業服務中非常重要，因為信息化的核心任務之一是把企業運行過程中的數據記錄下來，建立數據庫。這個階段 SAP 已經上市了。
1990 年代，基于 PC 和關系型數據庫的發展，ERP 系統開始出現，這時可以說企業服務信息化領域的產品已經非常完善，同時技術又開始新一輪迭代。1990 年代初互聯網的雛形出現，10 年之后 SaaS（軟件服務）興起。
在數據時代之前，我們能看到一個規律，即企業的需求一直都在而且比較超前，而只有基礎技術出現較大提升，才能出現滿足當時客戶需求的新產品。在這個過程中，企業的需求、產品和技術處于螺旋上升迭代的狀態。
以上回答了數據從哪里來的問題。迭代到最后一個時間點 2008 年，Gartner 提出 “大數據” 概念。在這個時間點我們應該得到什么樣的產品？這是我們現在面臨的問題，我們走到這兒了，接下來我們會走向哪里？
我從三個維度分析數據。第一個維度是數據的整個流通、生產和分析的過程，可簡單分為采集數據、管理和分析、智能決策三個步驟。大部分的數據產品都可以歸類到其中一個或者幾個步驟。
第二個維度是行業，鑒于數據在不同行業里存在很大的不均衡性，所以不同行業里的數據切入點應該是不一樣的。那用什么標準去判斷這個行業從哪個點去切最好？我認為可能有幾個判斷標準，前三個標準是與數據相關的，后兩個標準是與業務相關的。
首先是可數據化程度和速度。整個行業是否可以被完全數字化？有多少可以被數字化？現在有多少已經被數字化了？其次是這個行業里面存量和增量數據的大小；第三是數據業務的變現能力。第四，在關于數據的工作上，過去是 IT 人員參與更多，現在業務人員參與更多。對數據服務提供商來說，IT 很強可能還不夠，還要有比較多的行業 know-how，甚至有行業專家。第五，行業本身的變化要求數據的切入點不同。
按照五個維度，我把不同行業做了簡單 mapping ：農林牧漁、運輸和批發零售處于采集階段；醫療、安防、公共事業和制造業處于第二個階段到第三個階段的過程；最下面是金融、電信、廣告、狹義的 TMT，狹義的 TMT 是指業務基本在線上，線下部分比較輕的服務。O2O 和電商就不算狹義的 TMT。
第三個維度是技術維度。它是變量，因為比較大的技術突破，有可能把某一個行業從一個階段推到另一個階段。
第一層的變量上，移動和 IoT 的發展能在數據采集上推動一個行業的發展。在移動和 IoT 發展之前，收集數據是一個非常難的過程，尤其是移動屬性非常強的行業，比如運輸行業，批發零售業等，工作環境不適合收集數據。舉個例子，司機天天在外面跑，讓他們守在桌子前輸數據不顯示。移動和 IoT 的出現，加速了數據采集的過程，使之從第一個階段走到第二個階段。
第二層的變量包括互聯網技術、分布式技術、NoSQL 等等。還有一個非技術原因是國產化，去 IOE，這一點表現比較明顯的是互聯網。
互聯網技術出現之前，金融和電信，這兩個行業本來就是IT技術非常成熟的行業，也是數據化程度非常高的行業。狹義 TMT 和廣告兩個行業基本上就是被互聯網技術從第二個階段推到了第三個階段。
第三層的一個重要變量是 AI，如果 AI 做得好就能完成我上一張圖講的數據閉環，使得決策后的數據進行一次新的數據循環，從而讓 AI 更加智能。
一個開放的問題是，做 AI的時候，究竟應該做泛 AI，還是垂直 AI，這個問題沒有定論，但是我們傾向于垂直 AI 。有三個挑選標準，第一是有明確的場景，第二是問題解決有明確的結果，第三是最好有一個數據循環。
所以，我們在看行業和數據的時候，大概會做一個 mapping，即行業會停留在數據處理的哪個階段，技術變量在哪兒，能把它推到什么地方，新的技術變量是不是能從根本上提升行業的效率。
我們投資的云貍科技、吆喝科技和費馬科技基本上都在第二層往第三層走的路上，它們在不同行業嘗試數據服務，其中費馬科技走得快一些，接近第三層。
第三部分講流通行業的升級。首先看流通行業的地位。從 GDP 貢獻率看，2013 年起，批發零售業成為對 GDP 總量貢獻率僅次于工業的第二大單一產業。最近 10 年批發零售業的年度增幅都超過了 13%, 而 GDP 的增幅過去是8% 到 10%，現在新常態變成了 6% 到 7%，可見零售業的平均增幅很快。但從2013 年開始批發零售業的增幅開始變緩，這是它遇到的一個問題。
從流通行業對就業的貢獻來看，私營企業成為解決中國就業問題最重要的力量，而在私營和個人就業者中，從事流通行業的人數占 40%。2015 年的最新數據顯示有 1.13 億人從事流通行業的相關職業。
由此可見，大流通行業是一個非常重要的行業。但是這個行業如果沒有技術的迭代，真得不容易做。前面我也提到了，在移動和 IoT 出現之前，物流業和零售批發業相對原始，現在移動和 IoT 正在把流通行業從第一個階段推動到第二個階段甚至第三個階段。
其次流通行業本身正在發生變化。我們投資的兩家公司恰好代表了流通環節變化的兩個方向。諾信創聯做的是醫藥行業的流通和相關營銷，它代表監管流通這個方向；舟譜數據做的是快消行業，是極度市場化流通的方向，屬于兩個極端。
諾信創聯所在的醫藥行業受政策影響很大，除兩票制和藥品托管之外，對它影響比較大的有兩件事。
第一，今年過完年國務院辦公廳發布批文，要求醫藥代表必須注冊、登記，并且只能從事醫學相關的學術和推廣活動，不能直接賣藥。
第二是政府希望把醫療資源平攤到三線、四線甚至更偏遠的地方，讓更多的人享受到醫療服務，這樣一來基層醫院就變得越來越重要。但是過去許多藥廠就盯著三甲醫院，基層醫院的覆蓋度不夠，同時醫藥代表的手被捆住，市場活動應該如何開展，是比較大的問題。
舟譜所在的快消行業也碰到了問題。第一是用戶消費升級太快，傳統經銷和供應鏈的體系跟不上，所以廠商和經銷商很迷茫，不知道什么賣得好，也不知道自己賣得怎么樣，對手賣得怎么樣，應該怎么去改；第二是終端渠道的變化，基層變多意味著終端下沉，同時新的終端渠道出現，電商、O2O 等渠道開始下沉，原有的幾層分銷渠道的效率受到很大挑戰。
應對這樣的變化，我認為新公司首先要做的就是尊重行業的合理規律。偏垂直行業的公司在跟傳統行業結合的時候，常常想顛覆傳統行業，打破傳統行業的格局。有時候我會對這種做法打一個問號。
流通行業的分銷體系在中國存在了二三十年，一定有它的合理性，偏上游的分銷商墊資的作用大，偏下游的分銷商則更多地承擔物流、倉儲、配送等功能。
這么多年來，他們承擔了各自的任務，現在有人要改造這個行業，甚至要把體系干掉重來。干掉不是不可以，但由于需求沒變，干掉體系的同時，必須要承擔被干掉的那部分責任和義務。以及，新公司是不是能比原有體系做得更好、更高效、成本更低？我覺得不一定。所以，我們更愿意投資尊重行業合理規律的公司。
舟譜數據和諾信創聯做的快消和醫藥流通都屬于大流通業，相對原始的行業，移動屬性較強。對醫藥代表、銷售員還有司機而言，手機是他們最重要的通訊工具。移動化能把流通行業從第一個階段推到第二個階段。
這兩家公司在移動化過程中做了非常多的數據準備和運營，它們從工具切入，但是奔著數據去。不管是更合理精準地完成處方藥的市場投放，還是從倉儲、物流、庫存上不斷優化效率，其本質都是基于數據的效率提升，采取的方法和第二部分談到的數據服務的邏輯異曲同工，也歡迎大家和他們多交流。
