2017企业服务三大投资风口
2017-03-16 10:11 企业服务 投资

经济状况,企业需求,劳动力供给和技术演进带来了两个结果。

本文由峰瑞资本(微信ID: freesvc)授权i黑马发布,作者 田里。

企业服务投资主题分析

/ 01 / 组织变革和就业场景重构

第一个投资主题是组织变革和就业场景重构。我试图分析它发生的原因、现状,变化和随之而来的需求,并谈谈基于这些需求可以如何投资。

首先是经济上的原因。我们从 GDP、组织和就业三个角度来观察。GDP 方面,国家统计局的数据显示,近期大家热议经济新常态和 “L 型走势” 的同一时间,悄然发生了一个长远意义重大的变化,2015 年中国第三产业对 GDP 总量和增速的贡献都超过 50%,这是一个非常好的标志,发达国家第三产业对 GDP 的贡献都比较高。

这意味着,从 2015 年开始服务业真正成为中国经济最主要的支柱。要知道美国第三产业的 GDP 占整个 GDP 的比值是 75% 以上,中国刚刚过 50%,从这个角度来看,好日子还在后面。

组织方面,我们可以看企业规模的变化。虽然没有被专门统计,通过用覆盖就业最广的民营企业法人数量除以民营企业就业人数,可以得出最近五六年,企业的平均规模从 2010 年的 110 多人降到了 2015 年的 60 多人,减少了 47% 。

就业方面,可以看自由职业者的数量。我没有找到特别权威的统计,不过个体户的数量在六年内翻了一倍多,从 5400 多万增加到 1.17 亿。在中国就业人口接近 8 亿的情况下,自由职业者大概占了八分之一,量还是非常大的。

个体就业和自由职业是政府非常好的失业率管控手段。虽然个体户和自由职业者所带来的税收可能会少一些,但是对政府而言,保障就业比维护税收收入更重要,个体就业和自由职业是失业率非常好的缓冲剂。

其次从企业需求角度看,李克强总理提出 “双创” 后,创业潮兴起,这也导致了企业规模变小。另外,企业本身面临非常大的成本压力,数据显示,最近 20 年,中国就业人口的平均工资每年涨幅大约为 13% 到 14% ,从成本角度看,控制企业规模也是一个刚需。

第三是劳动力供给的变化,领英做过一个统计,目前 70% 的自由职业者都是 85 后,他们是数字人口的第一代,性格特质年轻,追求个性,讨厌办公室政治和朝九晚五,同时从经济角度来说自由职业对他们而言是一个更优的收入分配模式。

第四是技术上的原因。从基础工具、沟通工具、支付工具到交易平台,再加上移动化的大趋势,每一层的技术都变成熟了。

列举几个有代表性的产品。第一个是 Github,代表基本工具;第二组是 Slack 和 Skype,代表沟通工具;第三个是 Paypal,代表支付工具;第四组是 Uber 和 Upwork,代表交易平台。这些工具在国内都可以找到对标的公司。

简单小结一下,经济状况、企业需求、劳动力供给和技术演进带来了两个结果:组织越变越小;自由职业和共享经济的兴起。

组织变小变扁平导致共性需求更多,因此做标准化的服务和产品更有可能。自由职业和共享经济的兴起,从供给侧来讲,当自由职业的供给多起来,会出现对应的工具和交易平台;从需求侧来讲,组织变小,人变年轻,就要求个性化、高品质的服务或产品,也更加看重分享、协作和 Social 功能。

这些变化也带来新机会。组织变小后,个人在组织里的身份和地位和他作为个体的身份和地位共性更多,B 和 C 的界限开始模糊,很多业务可以比较自然地从 B 做到 C,或者从 C 做到 B。

从供给侧来看,我们投资了 vphotos 和墨刀,它们分别是针对摄影师人群的交易平台和针对设计师和产品经理的开发协作工具。两者针对的人群恰好是自由职业者里占比最高最活跃的影像和设计师工程师人群,同时也都服务 B和 C 两种场景下客户。

从需求侧来看,百场汇、捷税宝和酷办则分别满足了组织变小变扁平、自由职业和共享经济兴起这两个趋势下的需求。

百场汇要做活动场地领域的 Airbnb,满足了年轻人追求个性的需求,帮他们找到优质有特色的活动场地;捷税宝直接成为自由职业者背后的税务顾问,它为美甲师、主播、一对一老师等新兴职业提供节税和税务咨询服务;酷办做联合办公空间的 ERP,而自由职业者和小组织恰好是联合办公空间中占比最高也最忠诚的客户。

/ 02 / 数据服务

第二个投资主题是数据服务。关于大数据有一个很好的比喻,说它 teenager sex,所有人都在谈论它,但可能没有多少人知道怎么做;大家都以为别人在做,都对外号称自己在做。1000 个人对大数据可能有 1000 种理解,我试图讲讲我们的理解,数据服务从哪里来,走向哪里。也不一定完全对,欢迎各种讨论。

从历史角度看企业信息化,可以了解我们现在处于什么位置。图中有一条时间轴,轴的右边是企业信息化,轴的左边是基础 IT 技术迭代,我们把它放在同一个时间轴上,试图找到规律。这期间我们经历了三个阶段,第一个阶段是方法和理论,第二个阶段是信息化,第三个阶段是数据。

1915 年批量经济概念的提出和 1934 年确定订货点的统计方法,是工业生产中出现 MRP(Material Requirement Planning)理论的理论准备。MRP 理论即物料需求规划理论,就是工厂生产中,先有一个主生产计划,然后根据主生产计划去协调采购、库存。

直到 20 世纪 40 年代中叶,第一台大型计算机才出现(它不是民用或工业用的,是军方用来做弹道计算的)。此时计算机行业没有给企业界带来巨大的变化。之后的 1950 年代末,美国制造行业的一些专家经理人成立了一个叫 APICS 的组织,这个组织成立几年后,制造行业内部运行的流程理论 MRP 才开始形成。至此理论应该相对完善了。

但在这段时间里,计算机还没有被普遍使用,理论到系统的发展比较慢,像 1970 年代成立的现在世界上最大的做 ERP 的公司 SAP,他们最早的版本都是运行在大型机上,基础技术没有跟上迭代,影响了产品对用户需求的满足。

另一个很重要的时间点是 1970 年代,PC 的出现促使 MRP 理论开始走向 MRP II(Manufacturing Resource Planning)系统。MRP II 系统可以简单被认为是MRP理论的实践。1970 年代 PC 出现之后,MRPⅡ 开始大规模应用。

1980 年代之后,产品端的 MRPⅡ 系统出现,基础技术又一次迭代,这一次迭代是 PC 进一步发展,微软和 Intel 联盟兴起。

企业服务方向另一项关键技术的突破是,关系型数据库的迅速发展,ERP 领域另一家巨头 Oracle 基本靠此起家。关系型数据库的发展在企业服务中非常重要,因为信息化的核心任务之一是把企业运行过程中的数据记录下来,建立数据库。这个阶段 SAP 已经上市了。

1990 年代,基于 PC 和关系型数据库的发展,ERP 系统开始出现,这时可以说企业服务信息化领域的产品已经非常完善,同时技术又开始新一轮迭代。1990 年代初互联网的雏形出现,10 年之后 SaaS(软件服务)兴起。

在数据时代之前,我们能看到一个规律,即企业的需求一直都在而且比较超前,而只有基础技术出现较大提升,才能出现满足当时客户需求的新产品。在这个过程中,企业的需求、产品和技术处于螺旋上升迭代的状态。

以上回答了数据从哪里来的问题。迭代到最后一个时间点 2008 年,Gartner 提出 “大数据” 概念。在这个时间点我们应该得到什么样的产品?这是我们现在面临的问题,我们走到这儿了,接下来我们会走向哪里?

我从三个维度分析数据。第一个维度是数据的整个流通、生产和分析的过程,可简单分为采集数据、管理和分析、智能决策三个步骤。大部分的数据产品都可以归类到其中一个或者几个步骤。

第二个维度是行业,鉴于数据在不同行业里存在很大的不均衡性,所以不同行业里的数据切入点应该是不一样的。那用什么标准去判断这个行业从哪个点去切最好?我认为可能有几个判断标准,前三个标准是与数据相关的,后两个标准是与业务相关的。

首先是可数据化程度和速度。整个行业是否可以被完全数字化?有多少可以被数字化?现在有多少已经被数字化了?其次是这个行业里面存量和增量数据的大小;第三是数据业务的变现能力。第四,在关于数据的工作上,过去是 IT 人员参与更多,现在业务人员参与更多。对数据服务提供商来说,IT 很强可能还不够,还要有比较多的行业 know-how,甚至有行业专家。第五,行业本身的变化要求数据的切入点不同。

按照五个维度,我把不同行业做了简单 mapping :农林牧渔、运输和批发零售处于采集阶段;医疗、安防、公共事业和制造业处于第二个阶段到第三个阶段的过程;最下面是金融、电信、广告、狭义的 TMT,狭义的 TMT 是指业务基本在线上,线下部分比较轻的服务。O2O 和电商就不算狭义的 TMT。

第三个维度是技术维度。它是变量,因为比较大的技术突破,有可能把某一个行业从一个阶段推到另一个阶段。

第一层的变量上,移动和 IoT 的发展能在数据采集上推动一个行业的发展。在移动和 IoT 发展之前,收集数据是一个非常难的过程,尤其是移动属性非常强的行业,比如运输行业,批发零售业等,工作环境不适合收集数据。举个例子,司机天天在外面跑,让他们守在桌子前输数据不显示。移动和 IoT 的出现,加速了数据采集的过程,使之从第一个阶段走到第二个阶段。

第二层的变量包括互联网技术、分布式技术、NoSQL 等等。还有一个非技术原因是国产化,去 IOE,这一点表现比较明显的是互联网。

互联网技术出现之前,金融和电信,这两个行业本来就是IT技术非常成熟的行业,也是数据化程度非常高的行业。狭义 TMT 和广告两个行业基本上就是被互联网技术从第二个阶段推到了第三个阶段。

第三层的一个重要变量是 AI,如果 AI 做得好就能完成我上一张图讲的数据闭环,使得决策后的数据进行一次新的数据循环,从而让 AI 更加智能。

一个开放的问题是,做 AI的时候,究竟应该做泛 AI,还是垂直 AI,这个问题没有定论,但是我们倾向于垂直 AI 。有三个挑选标准,第一是有明确的场景,第二是问题解决有明确的结果,第三是最好有一个数据循环。

所以,我们在看行业和数据的时候,大概会做一个 mapping,即行业会停留在数据处理的哪个阶段,技术变量在哪儿,能把它推到什么地方,新的技术变量是不是能从根本上提升行业的效率。

我们投资的云狸科技、吆喝科技和费马科技基本上都在第二层往第三层走的路上,它们在不同行业尝试数据服务,其中费马科技走得快一些,接近第三层。

/ 03 / 流通行业的升级

第三部分讲流通行业的升级。首先看流通行业的地位。从 GDP 贡献率看,2013 年起,批发零售业成为对 GDP 总量贡献率仅次于工业的第二大单一产业。最近 10 年批发零售业的年度增幅都超过了 13%, 而 GDP 的增幅过去是8% 到 10%,现在新常态变成了 6% 到 7%,可见零售业的平均增幅很快。但从2013 年开始批发零售业的增幅开始变缓,这是它遇到的一个问题。

从流通行业对就业的贡献来看,私营企业成为解决中国就业问题最重要的力量,而在私营和个人就业者中,从事流通行业的人数占 40%。2015 年的最新数据显示有 1.13 亿人从事流通行业的相关职业。

由此可见,大流通行业是一个非常重要的行业。但是这个行业如果没有技术的迭代,真得不容易做。前面我也提到了,在移动和 IoT 出现之前,物流业和零售批发业相对原始,现在移动和 IoT 正在把流通行业从第一个阶段推动到第二个阶段甚至第三个阶段。

其次流通行业本身正在发生变化。我们投资的两家公司恰好代表了流通环节变化的两个方向。诺信创联做的是医药行业的流通和相关营销,它代表监管流通这个方向;舟谱数据做的是快消行业,是极度市场化流通的方向,属于两个极端。

诺信创联所在的医药行业受政策影响很大,除两票制和药品托管之外,对它影响比较大的有两件事。

第一,今年过完年国务院办公厅发布批文,要求医药代表必须注册、登记,并且只能从事医学相关的学术和推广活动,不能直接卖药。

第二是政府希望把医疗资源平摊到三线、四线甚至更偏远的地方,让更多的人享受到医疗服务,这样一来基层医院就变得越来越重要。但是过去许多药厂就盯着三甲医院,基层医院的覆盖度不够,同时医药代表的手被捆住,市场活动应该如何开展,是比较大的问题。

舟谱所在的快消行业也碰到了问题。第一是用户消费升级太快,传统经销和供应链的体系跟不上,所以厂商和经销商很迷茫,不知道什么卖得好,也不知道自己卖得怎么样,对手卖得怎么样,应该怎么去改;第二是终端渠道的变化,基层变多意味着终端下沉,同时新的终端渠道出现,电商、O2O 等渠道开始下沉,原有的几层分销渠道的效率受到很大挑战。

应对这样的变化,我认为新公司首先要做的就是尊重行业的合理规律。偏垂直行业的公司在跟传统行业结合的时候,常常想颠覆传统行业,打破传统行业的格局。有时候我会对这种做法打一个问号。

流通行业的分销体系在中国存在了二三十年,一定有它的合理性,偏上游的分销商垫资的作用大,偏下游的分销商则更多地承担物流、仓储、配送等功能。

这么多年来,他们承担了各自的任务,现在有人要改造这个行业,甚至要把体系干掉重来。干掉不是不可以,但由于需求没变,干掉体系的同时,必须要承担被干掉的那部分责任和义务。以及,新公司是不是能比原有体系做得更好、更高效、成本更低?我觉得不一定。所以,我们更愿意投资尊重行业合理规律的公司。

舟谱数据和诺信创联做的快消和医药流通都属于大流通业,相对原始的行业,移动属性较强。对医药代表、销售员还有司机而言,手机是他们最重要的通讯工具。移动化能把流通行业从第一个阶段推到第二个阶段。

这两家公司在移动化过程中做了非常多的数据准备和运营,它们从工具切入,但是奔着数据去。不管是更合理精准地完成处方药的市场投放,还是从仓储、物流、库存上不断优化效率,其本质都是基于数据的效率提升,采取的方法和第二部分谈到的数据服务的逻辑异曲同工,也欢迎大家和他们多交流。