大数据未来在中国 唯有合作方能实现共赢

　　【中国智能制造网 访谈】目前，大数据市场被普遍看好。据知名分析机构Forrester预测，未来五年，大数据技术市场的年复合增长率将达到12.8%。　　 随着大数据业务日渐火热，数据量不断增长，对于智能化处理数据及分析也成为迫切需求。Kyligence作为领先的大数据智能分析平台，如何在这个领域脱颖而出？近日，专访了Kyligence联合创始人兼CEO韩卿。
　　
　　 大数据的未来是在中国
　　
　　 问：韩总您好，请您给我们介绍一下Kyligence公司和目前的发展状况。
　　
　　 韩卿：好的，我们公司叫Kyligence，来自Kylin和Intelligence两个单词的组合。大家知道我们的开源项目是Apache Kylin，在Hadoop之上提供超大规模数据快速分析的能力。是目前唯一一个由中国团队完整贡献到Apache软件基金会的项目，和大家熟悉的Apache Spark、Apache HBase、Apache Kafka等一样都是项目。Kylin项目开源已经两年多了，国内外用户已经超过100多家，在今年年初的时候，我们几个核心成员创立了Kyligence这家公司，也获得了拿到了红点创投几百万美元的天使投资。到今天，公司成立半年多来，一方面积极推动了Kylin开源社区和技术的发展，另外一方面也在商业上做了很多的突破，签约了来自金融、电信、制造、互联网等很多标杆客户，为客户提供了大数据自助分析平台、数据仓库、商业智能等各种大数据分析解决方案。
　　
　　 问：当初是什么样的背景让您创建了这样一个公司？
　　
　　 韩卿：首先还是行业趋势，整个大数据领域正蓬勃发展，我一直认为大数据的未来是在中国，我们有着无以比拟的数据量和挑战，也就意味着其中机会很大。在我们开源Kylin后，随着社区的发展和用户的增多，在不同行业不同应用场景下的能力，我们看到了Kylin的未来有着非常大的前景和潜力，同时，我们也看到了随着数据量的不断增长，对于智能化处理数据及分析的迫切需求，我们希望将我们的技术不断演进来将这只麒麟神兽更加智能，以解决大数据分析领域中的挑战和难题，为广大用户带来智能化的解决方案。
　　
　　 问：刚才您说拿到了天使的投资，这个投资方是看中我们什么样的特质？
　　
　　 韩卿：红点创投是一家全球的老牌基金，他们在美国投资了非常多的大数据创新领域的公司，他们分析过，在美国我们这个领域至少有超过10亿美金的市场规模，而在中国的规模只会更大。而这么大的市场，对于底层技术提供商的需求只会更加旺盛，这也是我们一出来就拿到了他们的几百万美元投资的一个原因。另外，他们在刚接触我们的时候，邀请了国内外技术公司对Kyligence及Kylin项目进行了评估，得到了对Kylin技术和团队的极高评价和未来商业化的市场的高度认可，也是为什么红点迅速做出投资决定的原因之一。
　　
　　 问：目前我们在中国市场上有哪些用户？
　　
　　 韩卿：目前，据不完全统计，Apache Kylin在全球有超过100家用户，在中国，我们有来自百度地图、网易、美团、京东、中国移动、中国电信、银联、国泰君安、华泰证券、联想、OPPO、魅族、乐视、陆金所等。为不同客户提供大数据的数据仓库、商务智能、自助分析平台、数据服务平台、资产管理、实时分析等解决方案，其中很多已经成为我们的付费客户，购买了我们的专业服务、企业级产品以及相应的解决方案等。
　　
　　 问：我们这个产品适用的客户是原本就有很多数据的用户吗？或者说是不是数据很小就用不到我们的产品？
　　
　　 韩卿：好问题，很多人会有疑问，大数据分析是不是一定要有很大很大的数据量才可以，这其实并不完全正确。我们确实是解决了超大规模大数据下的快速分析挑战，所以很多大型企业在使用Kylin，因为他们的需求很迫切。但有更多的用户其实数据量值并不大，但其价值却很大，通过使用Kylin，可以在更短的时间内获得信息，从而更早的推动业务决策和行动，大数据需要将价值大化。另外，使用Kylin，可以降低相关大数据系统的成本，从而为企业的大数据系统带来更大的ROI。

    在大数据领域，只有合作才会共赢　　 韩卿：说这个之前先看一下我们的竞争对手是谁。我们的竞争对手是传统的数据仓库和商务智能的供应商，绝大部分都是来自国外的公司。往往他们的数据处理能力在TB级别，而我们能轻松做到PB级别，并且相关的软硬件成本更低。其次，我们的性能和并发性比他们快得多，在万亿规模数据集上我们能够提供亚秒级别的查询性能及超高的并发访问能力，这个传统技术是无法做到，或者需要极大成本才能实现。另外，我们是完全原生的Hadoop技术，所有的部署、应用都仅使用Hadoop标准组件及API，因此分析都在Hadoop平台上完成，数据无需在平台之间迁移，相比传统的数据仓库及商务智能方案，他们往往需要将数据抽取到BI服务器进行进一步组织和分析，而我们将计算迁移到数据的做法，大大减少了数据搬运的成本和时间。