云计算、大数据和人工智能的增长飞轮

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 贝佐斯和亚马逊取得巨大成功的关键因素之一,是在电子商务领域应用了增长飞轮式的闭环商业模式。经过对以阿里云为代表的云计算厂商进行分析研究,我们发现在云计算领域,增长飞轮式的闭环模式同样适用。本文分析了云计算、大数据和人工智能的三级增长飞轮模式,在云计算的驱动之下,云计算、大数据和人工智能三者实现协同增长。可以预见,随着“新基建”热潮的到来,云计算的增长飞轮必将驱动更多的领域实现增长。

2020年3月,胡润发布全球富豪榜,亚马逊创始人杰夫·贝佐斯再次成为全球首富,身家折合人民币9800亿元。事实上,56岁的贝佐斯已经连续三年成为全球首富,而就在2019年,贝佐斯和其前妻离婚和财产分割,贝佐斯前妻以3080亿元人民币排在第22位。
贝佐斯和亚马逊能取得如此巨大的成功,除了抓住互联网电子商务普及的大潮之外,贝佐斯对于商业的独特理解成为其成功至关重要的因素。贝佐斯理解的商业闭环被抽象为“增长飞轮”。

增长飞轮.jpg

亚马逊电子商务业务“增长飞轮”

亚马逊的增长飞轮是以转动轮盘作为驱动,增长飞轮的目标是实现业务增长“Growth”。轮盘从静止到启动的过程,推动轮盘所需要的力量比较大,俗话说万事开头难,这象征着业务启动期,打开局面需要付出较大的努力和代价。当轮盘稳定转动之后,轮盘转动具有一定的惯性,相比于启动期,维持轮盘转动的力量相对较小。这象征着随着业务走上正轨进入稳定期,业务形成自驱动的增长闭环。
亚马逊的增长飞轮描述了亚马逊电商业务的增长模式,包含三级增长模式。第一级电商增长模式以用户体验(Customer Experience)作为出发点,一旦有了良好的用户体验,用户口碑相传,反复消费,就会为电商网站带来更多的流量(Traffic)。当电商网站的流量大增,就能够为网站吸引更多的卖家(Sellers)。卖家多了之后,用户在网站能够购买的商品种类、数量自然就增多了,给了用户更多的购买选择权(Selection)。用户购买选择权又反过来提升了用户体验,形成了第一级的增长飞轮。
第二级电商增长模式是以第一级电商增长模式作为基础。随着电商网站的买家、卖家、流量数量增多,卖家为了吸引顾客,导致相同品类、品质的商品进行价格竞争。商家互相竞争引起商品降价(Lower Prices)。更低的价格会给用户带来实惠,因此,提升了网站的用户体验。良好的用户体验增进了第一级电商增长模式和第二级电商增长模式。
第三级电商增长模式是建立在第一级、第二级电商增长模式的基础之上。当网站规模越来越大,买家卖家之间的交易越来越多,商品的流通增多。因此,电商对于快递基础设施的依赖就会越来越强。电商投资快递基础设施(Infrastructure investment),基础设施的改善带来了快递效率的提升(Improved efficiency)。买家享受到的是更快捷、更可靠(Faster, more reliable delivery)以及更低廉价格的快递服务。良好的快递体验最终进一步提升了用户体验,用户体验的改善又促进了用户的电商消费,从而形成了第三级电商增长模式。上述三级模式共同构成了亚马逊的电子商务增长飞轮。
当前,以阿里云等为代表的云计算服务提供商发展迅猛。云计算服务提供商所提供的产品、产品线范围已经远远超出了传统的云主机产品线。以阿里云为例,产品线囊括了云计算基础、云安全、大数据、人工智能等产品线。

阿里云.png

阿里云产品列表(2020年2月截图)

云计算服务提供商提供了如此多的云计算产品线,是多因素综合发展的结果。除了受到市场、客户的驱动,以及符合技术发展的方向之外,其背后的逻辑也可以利用增长飞轮模型进行解构。利用增长飞轮模型能够较好的说明,为何云计算产品线从传统的云主机发展到了大数据、人工智能等领域的产品线。本文构造了云计算的三级增长飞轮模型,说明了云计算、大数据、人工智能之间互为驱动、协同增长的关系。

tu1.png

云计算的增长飞轮

云计算的三级增长飞轮模型处于核心地位的是云计算增长飞轮,对应经典的云主机范畴。云计算增长飞轮的目标是实现用户增长。良好的云用户体验是增长的出发点,拥有了良好的用户体验才能实现云计算服务提供商云规模的持续增长。云计算规模扩大所带来的结果是,能够更好的覆盖云计算研发等成本,边际成本递减。云计算单位成本降低,促进云计算服务提供商降价,从而使得云用户受益。云用户受益直接优化了云用户体验,形成一个完整的闭环增长飞轮。

tu2.png

云计算和大数据的增长飞轮

云计算的第二级增长飞轮模型是在云主机增长的基础之上,实现云上数据工具的增长。当用户实现了系统上云、主机上云之后,用户的系统是在云上运行,即用户的信息系统上云。用户信息系统当中流动的是用户的数据,因此,数据是在云上实现打通、流动。在数字化转型过程当中,一旦用户有了数据分析、数据应用的需求,则除了在云上拥有数据之外,用户也需要数据分析的系统和工具。云计算服务提供商顺应用户的需要,提供基于云的数据系统和数据工具,与用户的云主机、云化系统实现无缝集成,云用户即可方便的利用云计算服务提供商提供的数据系统和工具进行云上数据分析和应用,云用户体验更好,从而实现云主机和基于云的数据应用集成,云用户实现增长。

tu3.png

云计算、大数据和人工智能的增长飞轮

云计算的第三级增长飞轮模型是在实现云主机和基于云的数据应用增长的基础之上,实现云上人工智能应用的增长。具体表现为,当用户完成了主机上云、数据上云之后,一旦用户在数字化转型过程当中有了人工智能应用的需求,基于人工智能应用三要素的算法、算力和数据当中的两个要素已经在云上的事实,即云计算提供了算力,并且数据也在云上流动,如果算法也能够在云上实现,则人工智能应用三要素可全部满足。云计算服务提供商顺应用户的需要,提供基于云的人工智能的算法和应用工具,与用户的云主机、云上数据实现无缝集成,满足人工智能应用三要素,在同等条件下,用户会优先选择云计算服务提供商提供的人工智能算法和应用工具。基于上述的逻辑,实现云计算的第三级增长飞轮模型,即云、大数据和人工智能的协同增长。
2020年,以5G网络、人工智能、工业互联网、大数据中心等为代表的新型基础设施建设成为热点。可以预期,云计算作为新基建背后的支撑技术,必将迎来巨大的发展机遇。

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
7天前
|
机器学习/深度学习 数据采集 人工智能
深入探索人工智能与大数据的融合之路
本文旨在探讨人工智能(AI)与大数据技术如何相互促进,共同推动现代科技的进步。通过分析两者结合的必要性、挑战以及未来趋势,为读者提供一个全面的视角,理解这一领域内的最新发展动态及其对行业的影响。文章不仅回顾了历史背景,还展望了未来可能带来的变革,并提出了几点建议以促进更高效的技术整合。
|
5天前
|
机器学习/深度学习 人工智能 运维
人工智能在云计算中的运维优化:智能化的新时代
人工智能在云计算中的运维优化:智能化的新时代
87 49
|
22天前
|
机器学习/深度学习 存储 大数据
云计算与大数据技术的融合应用
云计算与大数据技术的融合应用
|
22天前
|
存储 弹性计算 分布式计算
云计算在大数据处理中的优势与挑战
云计算在大数据处理中的优势与挑战
|
24天前
|
机器学习/深度学习 人工智能 算法
探索人工智能与大数据的融合之道####
— 本文旨在探讨人工智能(AI)与大数据如何协同工作,以推动技术创新和产业升级。通过分析二者的基本概念、核心技术及应用场景,揭示它们相互促进的内在机制,并展望未来发展趋势。文章指出,AI提供了智能化处理数据的能力,而大数据则为AI提供了海量的训练资源,两者结合将开启无限可能。 ####
|
14天前
|
数据采集 机器学习/深度学习 人工智能
探索人工智能与大数据的融合之路####
本文将深入探讨人工智能(AI)与大数据之间的共生关系,揭示二者如何相互促进,共同推动技术边界的拓展。不同于传统摘要的概述形式,本部分将以一个生动的比喻开篇:如果把大数据比作广阔无垠的数字海洋,那么人工智能就是航行其间的智能航船,两者相辅相成,缺一不可。随后,简述文章将从数据采集、处理、分析到决策应用的全流程中,详细阐述AI如何借助大数据的力量实现自我迭代与优化,以及大数据如何在AI算法的驱动下释放出前所未有的价值。最后,预告文章还将探讨当前面临的挑战与未来趋势,为读者勾勒一幅AI与大数据融合发展的宏伟蓝图。 ####
|
人工智能 大数据 Apache
大数据&AI的16种可能,2020阿里云客户最佳实践合集下载
2020年9月18日下午13:00云栖大会正式发布 《大数据&AI的16种可能,2020阿里云客户最佳实践合集》
72941 4
大数据&AI的16种可能,2020阿里云客户最佳实践合集下载
|
人工智能 大数据 云栖大会
大数据&AI的16种可能,2020阿里云客户最佳实践合集下载
2020年9月18日下午13:00云栖大会正式发布 《大数据&AI的16种可能,2020阿里云客户最佳实践合集》
3503 0
大数据&AI的16种可能,2020阿里云客户最佳实践合集下载
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
转载:【AI系统】AI的领域、场景与行业应用
本文概述了AI的历史、现状及发展趋势,探讨了AI在计算机视觉、自然语言处理、语音识别等领域的应用,以及在金融、医疗、教育、互联网等行业中的实践案例。随着技术进步,AI模型正从单一走向多样化,从小规模到大规模分布式训练,企业级AI系统设计面临更多挑战,同时也带来了新的研究与工程实践机遇。文中强调了AI基础设施的重要性,并鼓励读者深入了解AI系统的设计原则与研究方法,共同推动AI技术的发展。
转载:【AI系统】AI的领域、场景与行业应用
|
1天前
|
人工智能 缓存 异构计算
云原生AI加速生成式人工智能应用的部署构建
本文探讨了云原生技术背景下,尤其是Kubernetes和容器技术的发展,对模型推理服务带来的挑战与优化策略。文中详细介绍了Knative的弹性扩展机制,包括HPA和CronHPA,以及针对传统弹性扩展“滞后”问题提出的AHPA(高级弹性预测)。此外,文章重点介绍了Fluid项目,它通过分布式缓存优化了模型加载的I/O操作,显著缩短了推理服务的冷启动时间,特别是在处理大规模并发请求时表现出色。通过实际案例,展示了Fluid在vLLM和Qwen模型推理中的应用效果,证明了其在提高模型推理效率和响应速度方面的优势。
云原生AI加速生成式人工智能应用的部署构建