创业7年复盘，中美企业服务市场差异浅析

2024 年伊始，Kyligence 联合创始人兼 CEO 韩卿在公司内部的飞书订阅号发表了多篇 Rethink Data & Analytics 的内部信，分享了对数据与分析行业的一些战略思考，尤其是 AI 带来的各种变化和革命，是如何深刻地影响这个行业乃至整个企业运营与管理。

上周，我们发布了第一篇关于技术趋势的解读（点击查看），这次我们将聊聊对中美不同市场的认知，是对过去几年我们在中美不同市场间实践的回顾和复盘，随着全球经济的变化和 AI 带来的新机会，下一步出海的新策略也将和以前大不一样，内容有所删减，期待大家在评论区分享自己的见解和体会！

Kyligence 在海外收获了不少大客户，包括美国、中东和欧洲的客户，但从 2022 年年底美国回来后，我一直强调我们要专注中国，把中国市场做扎实的同时，再开拓美国及海外市场。这两年，很多中国创业公司都在积极出海，大家选择了不同的路径和方式，这里没有对错，只是不同的商业选择和尝试。但我想聊一些对中美两个市场差异的认知（本质上，APAC 更接近中国，欧洲等更接近美国），这个题目很复杂，从根源来看甚至可以从哲学体系和文明开始讲，今天我尝试在技术市场方面做些总结，分享我们在打造产品时如何去适应不同的市场。

一站式 vs 专业分工

这是感悟最深的一点。投资人经常问我们竞争对手是谁，或者对标美国哪个公司。过去我们一直说我们对标 Snowflake or Databricks，尤其是 Snowflake 上市后（大部分投资人无法判断技术，所以只能对标知名公司来理解）。而很多时候，客户的领导或者决策者，也往往是靠这样的对比，才能了解我们的能力和应用场景。但深入看一下，就知道我们不一样，更重要的是，中美客户的需求非常不一样。

美国市场专业化分工非常细致且完善，ETL 是 ETL，DW 是 DW，BI 是 BI，基本上每个领域都有几个上市公司，大家只要有差异化，基本上都能赚钱，而且卖得不便宜。这就是为什么之前美国市场讲“现代数据栈”/Modern Data Stack 非常有用，一看就知道某个技术属于哪个部分，而且各层之间的接口都相对规范。但显然在国内这个行不通，技术栈的差异非常大还算好，碰到个魔改的环境对接起来苦不堪言，大量人力和时间被浪费掉。

而中国客户，往往付一笔钱就想要全部，最近有个头部公司给我们提的需求，涵盖了 OLAP、ETL、联邦查询、实时查询等，但问愿意付多少钱的时候，却表示没多少钱——就如极客公园创始人张鹏之前说的：“客户提的都是登月的需求，但愿意付的只是一个同城快递的钱”——这是现状，我们需要的是去适应，而不是去改变（我们当然想去改变，但教育成本非常大，需要一个渐进的过程），当然我们也不是去妥协，而是要找到平衡。

另外，中美客户在人才分布上，也有着巨大的差距。走出金融、通信、头部零售和制造业客户等行业，中国的大部分其他行业客户，都没有成建制的数据仓库或者大数据团队，往往都是手撸代码直接完成各种分析报表和查询，缺乏专业的分析人才和能力。这点对我们在过去几年打开非金融行业确实带来了很大的挑战。去年，有客户突然和我说：用你们的指标平台是不是可以不用先建立数据仓库？回答“是”并验证之后，整个合同和项目流程一下子加速了。据分析报告，中国的云计算大致落后美国 7-8 年，在整个 IT 方面也差不多。所以我们不能把美国市场的成功的架构、产品和工具，直接在中国对标，我们要设计符合中国客户和市场的产品。为客户提供一站式的数据和分析能力，是未来非专业客户的刚需，也是我们跨越鸿沟的核心要点。

人工智能 vs AI

AI 很火，两边都非常火，但火的方向和内容非常不一样。除了大模型本身的卷以外，在 AI 的应用、生态上，两边有着不同的路线。从 Midjourney 和 Pika 等的火爆，可以看到美国市场在不需要特别清晰的盈利模式上做着各种创新，各种 SaaS 化的 AI 应用，甚至这几天的 GPT Store 可以看到几百万的应用在非常短的时间内出现。有非常多有意思、解决小问题的应用出现，甚至很多都能很快有收入（来自良好的付费和订阅习惯）。而国内目前能够看到的 AI 相关的应用和场景，都还非常有限以及原始，大部分能够看到听到的都来自文生图、文生视频等 2C 应用，在工具类、企业服务类，还非常的少。

对比数据分析领域，可以看到美国 ChatGPT 的数据分析插件本身已经做得非常好，丢一个 CSV 就能给出非常好的分析和建议等，且 GPT Store 上也有一大堆的插件，尤其是一些 SaaS 供应商提供的数据应用。而国内大部分都还是 Text2SQL(NL2SQL) 类，接触到非常多的团队都在努力地用 AI 写 SQL - 这当然很重要，但往往受益的依然还是数据工程师、数据分析师，还是“机器人打算盘”的感觉，差了点意思。

管理 vs Operation

数据与分析，从更大范围来说，属于决策支持系统（DSS, Decision Support System)，来自维基百科的内容：Beginning in about 1990, data warehousing and on-line analytical processing (OLAP) began broadening the realm of DSS. (Decision support System, Wikipedia)。而决策支持系统，是帮助人类进行决策和管理的软件。

但软件仅仅只是工具，是术，这背后更重要的是管理的思想和方法论，这是道和法。而这，才是中美软件（至少是管理软件）最大的差异：不同的人文环境，不同的发展阶段造就了非常不同的管理理念和方法论。不管是生产系统的 ERP，还是销售营销的 CRM，再到基础的人力资源、薪资系统等等，都有着非常大的不同。咨询大咖陈果曾经写文章说过，他工作过的几家外企，人力和薪资软件的基本理念和操作都非常一致，即使是不同供应商提供的。据他总结是因为背后的管理理念一致，似乎更多是按照同一种方法/handbook 来运营组织（Operation）完成工作从而达到目标。类似于一个只要按照飞行手册，经过一定培训的飞行员就能驾驶飞机（下面的手册在美国沃尔玛都可以买到）。

反观国内，在几个群里讨论过最多的一个结论就是：几乎每个稍微上点规模的公司都有着定制化 CRM 等各种软件的冲动（但从来不考虑是否要付钱），几乎每个老板、领导都有自己的“方法论”，极难说服他们按某个“理论”行事，而且都有着极强的管理欲望。

一个粗浅的理解，是因为西方现代化公司运营已经近百年，大量的实践和长期的积累，已经逐渐形成体系，而且大量的商学院、培训机构、咨询公司等，在过去几十年改造了大量的公司，培养了大量的专业管理人才。久而久之，大家都习惯于使用一个体系的工具和流程来完成同样的工作，所以可以看到美国的软件业非常发达，几乎每一个细分的赛道，都有非常多的上市公司或者独角兽。而国内改革开放也就这几十年，整个社会和经济也还在剧烈的调整和变化中，大量的企业业务虽然非常好，但管理本身，可能并是不特别出众，往往都是“人”的能力更突出。故而对软件本身，背后的管理方法论，以及价值都非常模糊，甚至低估。这也是今天企业服务行业面临的挑战。

买断式 vs 按需付费

订阅，是最让人羡慕的商业模式。尤其是今年，Instacart 上市的时候披露，他们在 2020 年“向 Snowflake 支付了 1300 万美元”，这个数字在 2021 年迅速增长至 2800 万美元，到 2022 年更是为“基于云的数据仓库服务”支付了 5100 万美元。可时间来到 2023 年，开销数字似乎出现了逆转，Instacart 表示“我们预计全年将向 Snowflake 支付约 1500 万美元。”这是非常可怕的数字，中国应该没有一个公司单年数据仓库能花费超过 5100 万人民币，更不用说订阅制。

这也是中国的商业环境决定的，大部分客户都还不接受订阅，还不接受按年付费的方式。不过最近几年好很多，逐渐也在开始接受和尝试。而我们已经在国内走出一条独特的道路，我们给大型金融机构等客户，就是按年付费的方式，且持续多年，这在市场上极其稀缺。但我们的大型客户依然有着极强的议价能力，我们无法按照美国的方式那么“容易”地扩容——这也是过去几年的实践和总结：中国客户为了避免被卡脖子，往往会对单产品做限制，我们的实践证明，只有不断提供不同的模块、产品等，从而让用户产生新的需求，进一步来进行扩容和增购。而不是幻想和美国一样的方式。

过去我们只看到 OLAP 的时候，感觉很难突破，往往就是在性能等技术方面进行迭代和 PK，但最终其实没有客户愿意为这里的提升付费，或者说付非常多的钱。而随着指标平台和 Kyligence Copilot 的推出，我们发现其实只要做用户体验更好、更容易被用户理解和采用的产品，就可以有巨大的机会。这也是我们最近积极推进各个产品和模块的原因，我们需要用更丰富的菜单服务客户。期待我们有更多的创新和产品来满足客户各方面的需求，当然一切都依然要围绕我们自己的核心竞争力去构建。

本地部署 vs Cloud

这是最让我们头疼的差异。国内的部署环境非常复杂，我们大量的成本花费在对接各种系统和测试上。在美国，基本上只有三家云基础设施，大部分创业公司在很长一段时间都只支持一朵云，例如 Snowflake 很长时间只支持 AWS；Databricks 是微软投资后花大力气帮助 Databricks 跑在 Azure 上。而国内我们要面对各种“稀奇古怪”的底座，最近有个客户的 Spark 还是 2.x 的版本，居然要我们修改我们的产品，还好最终客户被我们说服，把他们的 Spark 升级到 3.x 版本。如果每个这样的情况都需要定制、适配，势必是要耗费大量的人力和物力的。

大模型时代，我们突然发现又又又要对接无数“魔改”的版本，幸好现在 GPU 还很贵，幸好我们出了一个评测框架（点击查看：大模型在数据分析场景下的能力评测），能够比较轻松地对接各种环境。但可以预期，未来的微调服务将占据大量的工作。数据源 x 云平台 x 大模型 x BI工具 x 各种运维工具 x XXX —— 这是国内软件市场当前最大的隐形成本。我们既然不能改变这个实际状况，那么我们如何：

• 打造适应性更强的产品 
• 额外的定制/适配工作向用户收费

这两点就变得非常重要。

从资本市场的分析，我们也能看到在云计算这个市场中美的巨大差异。普遍来说，中美在云计算市场的差距在7-8年左右。这是市场的事实，我们需要考虑不同市场的差异来设计我们的产品和 GTM 策略。

自研 vs SaaS

Build vs Buy，中国客户喜欢自己搞“In-house 实现”，大量的程序员浪费在各种“魔改”中，最近争论很激烈的 MySQL  是不是该跑在容器上，就是一个代表。很多时候，客户找我们，往往都是他们自己搞不定的时候，甚至会来“学习”我们产品后，再回去进行自研。

据报道，美国中小企业平均使用的 SaaS 服务超过 100 多个，大型企业超过 200 多个。在美国，今天一个创业团队构建自己的应用，除了核心，其余一定都是快速使用 SaaS 构建起来，绝不浪费一个程序员。这也是美国各种 SaaS 工具活得很好的原因。

细数一下我们自己，也用了大概十几个 SaaS 产品，但和美国比起来，还是非常少。更别说我们的大型客户了，受限于政策、采购以及各种理由，中国客户大量采购纯 SaaS 的时代还需要几年时间。我们不能等待，我们需要去适应这个市场，但可以创新去思考如何提升这里的效率，降低成本。我们最近的规划，是尽可能地让用户通过 SaaS 或 PaaS 完成试用、PoC 等；通过标准的 PoC SOP 来帮助快速完成评估；通过脚本化的部署模式，以天为单位向用户进行交付。

试想，如果客户直接在 SaaS 上试用，在 PaaS 中完成他们自己数据的 PoC，签订合同后再部署到生产环境，中间都用 ZenML 进行流转，这样的效率提升，不仅仅方便我们，也将大大降低客户的工作量，他们的工程师等会更愿意和我们合作。注意，当我们强调“用户体验”的时候，不是只是 GUI、运维、命令行、导入导出、文档，甚至我们每个人的形象、态度、沟通和专业能力等等，对客户来说，都是一种“体验”。

领先的产品理念 + 极致的用户体验是战胜客户自研的唯一办法，而不是黑科技或者厉害的算法，要做到让客户彻底放弃自研的念头，而不是激起他们深入研究技术实现的冲动！

功能/性能 vs User Experience

国内用户强调功能，美国用户强调用户体验；国内用户喜欢贴身服务，随叫随到，美国用户喜欢自己捣鼓，手册要求极高。这些差异在过去几年的实践中，非常的明显。借用我们美国同事的原话：“美国用户都是被宠坏了的富孩子，咱们国内还在给个糖吃就很开心，哪里管包装好不好看”。

这个差异非常的大，以至于很多时候我们很分裂。本质上是两个社会的习惯、既有产品（其他人如何服务客户）和营商环境等造成的。由于美国大部分人的软件都已经非常成熟，作为使用方的客户，对相关内容是有默认要求的，而且很高。比如英语，美国员工曾经和我说过，在美国一封 Chinglish 的邮件，大家默认的认知就是诈骗、钓鱼的内容。直接在用户界面打出 Java 的 Stack 信息，那就是产品不行。文档的操作过程和软件里不匹配（比如前后顺序错了），那就不愿意使用。

17/18 年的时候，我们提出给美国客户去现场做 PoC，客户会非常惊讶，这不符合他们的习惯。美国用户的专业程度普遍较高，一般喜欢根据手册等自己动手先验证，即使做 PoC，大部分也是自己完成。所以他们对手册、安全、可运维、上下游对接等等，都有着很高的要求（从他们角度其实这就是 common sense，因为大部分软件都这么提供）。这些标准化能力的缺失，往往是我们过去错失很多好机会的原因。

而且由于美国的软件生态丰富，他们更喜欢一个聚焦解决某一个问题的软件，而不是什么都有的“怪物”。越聚焦、越简单，也就越容易被整合。这就要求核心功能必须非常突出，容易上手，而提供丰富的非功能性能力，来快速满足客户的场景需求（可能是好几个工具的组合）。更由于和世界一流的软件生态对接，对用户体验的要求是极高的，一群颜值极高的软件里突兀的出现一个歪瓜劣枣，那肯定不受待见——这也是我们过去几年非常强调用户体验的原因，幸运的是我们的产品最近在用户体验和设计上，广受国内客户赞赏（和美国同类软件比还有不少差距）。

差异化，不是都需要在功能、性能等层面体现。一个言简意赅的上手视频，一封阅读感愉悦的手册，一个友好的出错提示，一个巧妙的设计思考，都是吸引用户的极佳方式，“汝果欲学诗，工夫在诗外”。当大家都能提供一样的功能时，用户体验将是真正的差异化竞争所在。就如我们去买车时，大部分人不会去关注百米加速、发动机扭矩、功耗等等，而更关心的是外观设计、内饰、操控、4S 店的服务态度、应急救援的效率等等。

啥都做  vs API Economy

我们遇到过非常多的需要对接数据源、SaaS 服务的需求，实践中一个非常大的区别是，美国的大部分软件都有 API/SDK，甚至很多现在都有非常好用的 webhook，非常便于和各种其他系统互相整合。而且很多美国的创业公司在构建自己的应用的时候，都会先去考虑有什么 SaaS 服务能够使用（而这里的前提条件一定是有 API 可以被使用），而且往往都是标准的 API 和使用方式，甚至类似 Zapier 这样的服务非常的流行和重要。这就非常容易通过串联多个 SaaS 服务来完成，而不需要什么都自己构建。

我一直反对在我们自己产品里什么都去做，最近一个案例是某个客户给我们提出了 N 个需求，我说这至少是 5 种系统的需求，从联邦查询、批流一体到实时分析等等，甚至夸张到把 ETL 的部分需求也放进来了。这些本身其实都可以通过不同的工具链来完成的工作，而很多客户却希望我们一个产品全能提供。

再举一个简单的例子，很多客户、合作伙伴非常喜欢 Kyligence Zen，但刚开始就给我们提需求：一定要对接某些数据源，他们非常难以接受把数据刷到 S3 上作为统一的交换界面。很多同学不理解为什么这些需求我一直压着不允许做，一方面是因为这种需求只会让产品越做越重，越来越定制化；而更重要的是，这里有无数的工具甚至 SaaS 服务可以完成，比如最近我们需要把飞书多维表格导出到 S3（对接多维表格这个需求一直有），通过 Byzer 就可以完成（也还有很多其他工具），通过飞书的低代码平台，我们已经实现了各种自动化推送、备份、报价/许可证的审批打通等等。利用好生态能力，可以充分整合和构建更多场景，并节省大量时间和资源。

清晰的系统边界是一个好的软件产品的基本要求，以 S3（类似 Kylin 时代的 Hive）为输入界面，以 SQL 为输出界面，在这个范围内，我们专注地将各种能力做到最好，提升用户体验，并且通过各种第三方工具链，帮助客户完成相关的工作。

小结

随着中国人口结构的剧变（2023年新生人口只有 902 万，人口自然增长率为负的千分之-1.48)、现代化企业制度的建立、精细化运营的切实需求，我们认为未来中国市场对企业软件的需求会非常旺盛：企业大量增长的需求与短缺的劳动力之间的矛盾，只有用软件和技术，才能提升效率。但我们也相信，国内的软件也将不再是全面复制西方的模式（比如现代数据栈中那么清晰的分层），将走出一条有自己特色的发展路径。

基于这些思考以及大量的交流，对于中美，甚至未来更大的全球市场，从数据与分析行业，乃至企业管理软件方向，我们正在制定我们的路线规划，随着 AI 的兴起，我们发现这里有着巨大的潜力和市场，结合我们的优势，将能够更好地为中国、美国、乃至全球的客户，分别提供适合当地市场的产品和解决方案，并制定不同的 GTM 策略，以更好地服务每个区域市场，我们将在后续的篇幅中进一步阐释这些内容。

系列文章将在 Kyligence 公众号陆续发布，请大家持续关注，同时也欢迎大家在评论区分享你对中美企业服务市场的见解和看法，点赞最高的评论有机会获得精美周边一份哦。

关于 Kyligence

跬智信息（Kyligence）由 Apache Kylin 创始团队于 2016 年创办，是领先的大数据分析和指标平台供应商，提供企业级 OLAP（多维分析）产品 Kyligence Enterprise 和一站式指标平台 Kyligence Zen，为用户提供企业级的经营分析能力、决策支持系统及各种基于数据驱动的行业解决方案。

Kyligence 已服务中国、美国、欧洲及亚太的多个银行、证券、保险、制造、零售、医疗等行业客户，包括建设银行、平安银行、浦发银行、北京银行、宁波银行、太平洋保险、中国银联、上汽、长安汽车、星巴克、安踏、李宁、阿斯利康、UBS、MetLife 等全球知名企业，并和微软、亚马逊云科技、华为、安永、德勤等达成全球合作伙伴关系。Kyligence 获得来自红点、宽带资本、顺为资本、斯道资本、Coatue、浦银国际、中金资本、歌斐资产、国方资本等机构多次投资。