Kyligence 韩卿：创业 7 年复盘，中美企业服务市场差异浅析

2024 年 1 月，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。

这篇文章讨论的是对中美不同市场的认知，是对过去几年 Kyligence 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。

作者：韩卿，Kyligence 联合创始人兼 CEO。

Founder Park 授权转载。

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。

01

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。

02

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。

图片来源：ChatGPT

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。

03

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）。

图片来自网络

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。

04

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。

图片来自网络

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。

05

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：

1. 打造适应性更强的产品

2. 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。

图片来自网络

06

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。

图片来自网络

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！

07

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。

2017/18 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。

图片来自网络

08

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。

图片来自网络

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。

09

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。

如果你关注大模型领域，欢迎扫码加入我们的大模型交流群，来一起探讨大模型时代的共识和认知，跟上大模型时代的这股浪潮。

更多阅读

Product Hunt 2023 年度产品榜：GPT-4 夺冠、获奖 AI 产品全介绍

Cubox创始人的产品思考：不要把「总结全文」当做AI阅读产品的唯一亮点

油管播放超千万，一款主打欺骗 NPC 的独立 AI 游戏正成为新爆款

从 Altman 对 GPT-5 的剧透中，我们应该如何迎接 AGI 的下一阶段？

一夜爆火！「哄哄模拟器」开发者复盘：24小时超过60万用户，2000万次对话

AI 编程的机会和未来：从 Copilot 到 Code Agent

转载原创文章请添加微信：geekparker