SaaS生态,一块难啃的骨

2020年的疫情,就像是企业数字化转型的催生剂,ToB市场也迎来了一波小高潮,尤其是SaaS市场。iiMedia Research(艾媒咨询)数据显示,2020年全球SaaS市场规模为1277亿美元。
毕竟是千亿SaaS市场的大蛋糕,谁都想尝尝,互联网巨头看上SaaS这门生意并不出乎意料。
在ToC市场中游刃有余的巨头们“转行”做ToB,是利是弊很难回答。那么,各家SaaS生态的打法是什么?SaaS生态对于巨头来说是一门好生意吗?巨头做SaaS生态会有哪些难点?
1.巨头的SaaS生态游戏
虽然SaaS生态近两年很火,但目前入局的企业乃至整个ToB行业,对SaaS生态的搭建仍然处于初期阶段。
一个相对成熟的SaaS生态,理论上可以把所有SaaS厂商聚合到一个平台上,就像苹果的AppStore一样。厂商开发的软件被分到财务、人力、协同、营销等各个服务赛道中,每一个细分赛道都有清晰的模块化布局。
这一商业模式从AppStore延伸到ToB行业中,依然是有前景的。不过,搭建SaaS生态不仅需要把厂商聚集到一起,还要保证各个厂商之间实现互联互通,包括数据、业务的互通,商业逻辑并不像AppStore那样简单。
真正的SaaS生态,绝不仅仅局限于ToB领域,还会涉及到大量的ToG、ToC业务。当我们把巨头们搭建SaaS生态的基本逻辑梳理出来后,发现大家做的事情都差不多:
阿里:阿里云+钉钉+SaaS合作伙伴
腾讯:腾讯云+企业微信+SaaS合作伙伴
华为:华为云+WeLink+SaaS合作伙伴
搭建SaaS生态的三个部分从重要性角度来看,是并列的,缺一不可的;从功能角度来看,呈金字塔式结构。
从时间维度来看,巨头们搭建SaaS生态绝非一朝一夕的事情。由于国内SaaS生态的发展仍然处于初期阶段,谁都不知道最终SaaS生态会走向何处,大家也都是在摸着石头过河。
想要更安全的过河,就需要有更大更平的石头。这些石头就是云计算、AI、区块链等最底层的技术,在SaaS生态搭建中充当着底座、支柱的角色。
但这些底层技术的落地效果目前还不是很明显,市场认知度和认可度都有待提高,这一切都还需要巨头们耐下性子投入大量的时间和金钱。
而巨头们也明白,在ToB行业急功近利似乎不太明智,放长线才有可能钓到大鱼。于是就有了阿里云的3年投入2000亿,腾讯的5年投入5000亿,以及百度All in AI,加大AI新基建底层算力投入等动作。
SaaS生态的搭建,不仅需要平台,更需要玩家。没有玩家,这牌还怎么打?SaaS厂商就是巨头们手里的牌,牌的大小直接决定了输赢。
为了吸引更多的SaaS厂商加入到自己的生态中,巨头们尝试用一系列战略、计划达到目的。比如阿里云的“被集成”战略、腾讯的SaaS生态“千帆计划”和华为云的耕“云”计划。就在不久前,华为云又推出了SaaS应用扶持计划,首批扶持1000个SaaS应用,每个应用可获得最高20万元的云资源。
不论是规模多大的企业,永远不可能把所有的行业都做一遍,但有能力的企业可以连接所有的行业,搭建SaaS生态最关键的是把厂商、企业连接在一起。有了牌,巨头下一步要做的就是如何组牌,也就是如何更好的把这些牌组合、排列,实现一加一大于二的效果。
去年腾讯宣布SaaS生态“千帆计划”时表示,打破SaaS数据孤岛现象,实现SaaS之间的数据、账号互通是计划发布的初心。因为只有连接起每个SaaS,连接起SaaS背后的每个厂商,才能把这些牌更好的进行排列、组合,实现一加一大于二的效果。
不过,理念很好,具体落实的如何?加入生态的SaaS厂商们业务有没有增加?各家的产品是否真正互联互通了?对于这些问题,「ToB行业头条」在此打一个问号。
但有一点可以肯定,巨头们入局SaaS生态或将“搅动”整个ToB、ToC、ToG市场。巨头们的SaaS生态之战,才刚刚开始。这场战争影响着巨头们的未来布局,影响着广大的ToB从业者,影响着千千万的SaaS厂商。
2 为什么SaaS生态这块骨头不好啃
(1).没有ToB基因,会被人当成是“门外汉”
像阿里巴巴、华为做ToB生意起家的公司,被市场认为具有天然的ToB基因。而像做社交起家的腾讯,“APP工场”字节跳动就被看作是没有ToB基因的“门外汉”。
有没有ToB基因,重要吗?在「ToB行业头条」看来,ToB基因和企业的服务、销售能力具有很强的相关性。
销售能力,在ToB生意场上必不可少。而在人们对SaaS产品乃至ToB业务不熟知的情况下,如何使用户感知并且享受到产品的功能,这对销售经验不足的企业来说是一个很大的考验。
企业服务能力是更重要的一点。首先,是协调SaaS生态伙伴的能力;其次,是服务平台用户的能力。
企业想要搭建SaaS生态,就要跳出之前做生意的舒适区,抛弃以前单打独斗的理念,真正和其他厂商合力打造一个全方位的SaaS生态。其中还要涉及到SaaS生态进入标准的制定,SaaS生态合作厂商数据互用、业务互通的问题。
另外,作为SaaS生态的组局者,一旦生态内的某一厂商产品出了问题,客户有意见,最终受影响的是巨头本身的品牌形象。
照此看来,对于没有ToB基因的巨头来说,搭建SaaS生态确实也有很多坎要迈。那么这些巨头就没有胜算可言了吗?也未必。如果能利用好企业自身的独特优势,降维打击,没准也能拼出一条自己的血路。
(2).光舍得砸钱还不够
消费互联网时代,企业更看重当下,靠烧钱圈流量实现快速变现不是难事。可在ToB市场中,光舍得砸钱还不够。
首先,经验不是靠钱堆出来的。之前有业内人士和「ToB行业头条」说,搭建SaaS生态对企业的要求很高。不是因为技术有多难攻克,而是需要企业对ToB业务、SaaS业务有着深刻的了解。不了解企业的数字化转型的痛点,只会让产品越做越臃肿,越做越鸡肋。
其次,提供服务不是演戏,没有NG机会。之前有做硬件厂商的相关人士和「ToB行业头条」提到互联网企业做硬件存在的一个普遍问题,那就是对系统bug的重视问题。“互联网开发软件的思维就是,先开发,有了bug再改。这种思维用来做硬件开发是不行的。”
在「ToB行业头条」看来,做ToB生意也是如此。软件的开发、解决方案的制定都需要做好充足的前期准备工作,发现问题再改成本太高。
成本高主要体现在两个方面。一方面,B端软件不像C端软件,需要企业员工学习、适应,如果抱着边用边改的心态无疑会加大企业的人力成本。另一方面,B端软件改起来也不是那么容易的。
“绝大部分企业的代码都像面条一样乱,没人敢随意动代码。一旦出现问题,大家都不知道怎么调整。”B端软件25年老炮黄允聪和「ToB行业头条」说。
因此,当客户有定制化需求时,企业只能再拷贝一个面条代码,所以单个代码越做越多,人力成本就越来越高。
近些年,SaaS生态在人们心中的份量越来越重,让无数企业趋之若鹜。但从目前来看,国内SaaS生态刚起步,SaaS产品还不够成熟,标准也没有统一,SaaS行业还处于百花争放、野蛮生长的阶段。
搭建SaaS生态难吗?难。想想就难。那就不做了吗?得做。谨慎乐观吧,SaaS生态,是一块巨头也难啃的骨头。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值