2017企业服务领域，投资人关注的三大风口、五大方向

 ↑ 点击上方“产业电商资讯”关注我们

为何看好企业服务方向？

第一、人力成本在持续的上升，所以对效率的驱动可能变成企业的核心竞争力；

第二、整个经济现在已经从高速增长变成中速或者是匀速增长，在这种情况下，原来的移动端红利、互联网红利以及整个经济的红利都没有那么大了。对于企业来讲，可能进入了一个零和博弈的时代，效率或者企业整体运营水平会变成核心竞争力；

第三、整个云计算的成熟和发展；

第四、移动化，因为中国在移动化的方向上走在世界的最前面。我过去几年一直在关注移动化的方向，所以按照我自己的经验和判断来看，中国在移动端的发展速度在全球应该是和美国并肩的，甚至在有些领域是领先美国的，所以在C端的经验有可能用于B端。而在B端，其实有很多场景是没有办法用PC去解决的，因为很多行业，比如：餐馆的服务员、快递员、建筑工人、销售等，其实它是一个移动驱动的过程或者场景，那么在这种情况下，过去PC解决不了的问题，在移动化的情况下可能得到比较好的解决。

2017企业服务领域最值得投资的三大风口

01

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，悄然发生了一个重大变化，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。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，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。最近 20 年，中国就业人口的平均工资每年涨幅大约为 13%-14%，控制企业规模也是一个刚需。

第三是劳动力供给的变化，目前70%的自由职业者都是85后，他们性格特质年轻，追求个性，讨厌办公室政治和朝九晚五，同时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。

小结：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。

02

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。我试图讲讲我们的理解，数据服务从哪里来，走向哪里。

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。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。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（ManufacturingResource 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。

1、可数据化程度和速度；2、行业存量和增量数据的大小；3、数据业务的变现能力；4、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；5、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。

03

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。

企业服务领域看好的五个领域

01

财税、人力资源、工商注册、轻法务几个方向的交界点

为什么把这几件事放在一起呢？其实大家如果从头开始注册过一家公司，到公司运营到一段时间后，大概就能明白线下这几个行业其实是交叉在一起的。做工商注册的公司很有可能免费帮助你做注册，最后是为了将你带到记账以及人力资源那一块的服务。而且这几个行业现在存在着比较大的颠覆性机会，因为现在的基本现状是公司数量众多，但是都没有形成比较大的规模。基于这几点判断，我们觉得整个行业有比较大的整合机会。

我觉得还有其他几个原因在于：衣食住行可能是C端比较好的或者是刚性的需求，对于企业来说，我其实也一直在找这种“高频、刚需、稳定”的需求，从这个角度来讲，其实财税和人力资源服务可能是比较好能满足这些条件的需求。因为财税、人力资源服务其实是一个相对外在强制性的需求，但凡你要开一个公司，不管你有没有利润，你都要报税，哪怕只有一个人，都需要发工资，正规情况下也需要给他交社保。

而且人力资源服务，我个人感觉有一个更好的地方在于，它能够带来比较大的资金沉淀。从这个角度来看，其实在上面能做的事情就不只企业服务那么简单了。因为这上面可能会过一些交易，也可能会产生一些比较大的金融服务的机会。包括腾讯、阿里以及我们的友商其实今年都在人力资源领域做了不少的布局，尤其是在人力资源外包行业、薪酬、福利等方向，这些创业方向是很好的，但是谁能找到一个最高效的方式去完成这种服务，并且能保证成本足够低，我觉得这可能是一个比较大的挑战。

02

工具协同化

我个人比较看好的方向，也一直在寻找的标的，是工具协同化。工具协同化和协同工具之间的差别是什么呢？我觉得工具协同化本身有比较强的工具属性，这个属性不一定是为了协同而上的，它可能是为了解决某一个垂直行业或者某一个职业里面的某些需求，可能这个需求最好不只是由他本人能完成，而是把内外部的合作伙伴都拉到平台上，接下来可能就会衍生出其他的机会。

大概的逻辑是这样的：工具属性解决了你作为某一个行业或者职业的从业者的需求，那么如果你把协同拉上来，在刚需的基础上，其实就有了粘性，你本身作为工具的价值就会好了不少，并且同时在协作的过程中难免会有数据的留存，这样粘性会更加高。接下来可能就会衍生出比较多的机会，包括在工具上面衍生出交易市场、招聘、教育或者职业培训等方面的需求，我觉得都有可能变成一件比较大的事，而且由于工具本身可能带有比较强的职业或者行业属性，那么这种机会可能比较多的会在垂直行业里面产生。

03

营销方向

还有一块机会也是我一直看好，但是还没有看到比较好的投资标的的一个机会，就是在营销方面。我们可以看到在美国的SaaS或者企业服务的上市公司里面，除了广告公司之外，其实做营销工具的有若干家10亿美金以上的上市公司。但是在中国，这个领域还没有发展起来。

我觉得这可能是一个比较好的点，因为它实际上和企业的收入是直接相关的。从我自己的角度来判断，差不多是这样来排序的。对于企业来讲，如果你帮助它做开源，要好于对企业做节流；如果你帮助企业做节流，要好于单纯的效率提升。从这个角度来说，其实营销和销售是绑的比较紧的，但是在这个方向上其实我一直没有找到特别好的公司。

04

企业IT

另外一块是企业IT，这一块我们的投资人张矩看的比较多，他自己也有比较长的企业IT方面的从业经验，自己也做过创业，也在大公司干过，也做过孵化以及投资人，行业经验非常丰富。我引用一下他之前在我们内部分享讲的一段话，我觉得特别对，这也是我们看好企业服务的另外一个比较重要的原因：其实整个企业服务投资是一个尝新的过程，只不过我们遵循了一个螺旋式上升的规则来投资。

原因也很简单，因为随着外界环境的变化和技术的提升以及大家对目标追求的越来越高，必然会导致需求有变化，也必然会带来技术上的更新。其实每一次需求的变化都会带来比较大的技术上的更新，比如过去的数据量不大，可能用单机就可以做了，数据量大的时候，可能对于单机的性能就会有一些要求，再大量的话，可能就要多用一个机群去算。在算的过程中，可能我们也经历了很多的迭代，从单机计算到后来的MapReduce，再到后来的Spark，越算越快。我们最近也投资了一家公司，他们做出来的指标在某些领域上其实比Spark还要好。这种需求从根本上来说就是为了算得更快、更好、更准。由于需求在不断提升，所以新的技术、产品也在不断提升，这方面的机会是比较大的。

在企业IT领域，安全也是我们特别看好的一个方向，我们也在这方面非常积极的做投资和布局。因为随着数据量的不断增大，并且数据越来越成为公司非常核心的资产时，相关的安全需求，包括碰到的问题和困难也会越来越多，那么在这个领域我们觉得会有非常大的机会存在。

05

交易平台

最后再讲一下交易平台，其实我们在B2B交易方面的投资不是特别多，原因也相对简单，因为现在市面上能看到的比较多的B2B交易平台常见的做法是先通过撮合，GMV达到一定程度以后，一方面可以在下游抓需求，另一方面在上游控制供应端，一步步往上走，最后做自营，公司主要的收入和利润可能来自于自营。

但是在这种模式上可能面临一个挑战，现在相对比较多的B2B交易可能集中在非常成熟的产品或者工业原材料这两个领域：

第一、这两个领域整体看来，它中间的附加值或者毛利是不够高的；

第二、这些传统行业在线下已经存在了比较长的时间，每一个环节抽取的毛利其实都对应着他在中间做了很多事情，如果我们做了一个B2B交易平台把这些中间商或者中介全部去掉的话，那么这部分人所做的工作其实是需要平台来承担的，那么平台是不是能够提供一个比过去传统模式更加高效的一个模式，包括时间和经济上的高效，这件事情其实是存在疑问的。

所以，我们其实更倾向于去找中间有相对大一点的毛利空间，并且能尽量在中间产生比较大的增值部分的B2B企业。具体举例子可能不太好举，但是我们希望平台本身除了交易之外能够产生其他的价值，比如：粗加工、精加工等，如果是这种模式，我们觉得它的价值、门槛会高一些。

END

来源：峰瑞资本