图文原创：谭婧
作为很少见的专注于“数据科学团队协作产品”的公司，较早入局的公司，和鲸科技创始人&CEO范向伟，回答了“亲爱的数据”几个问题，讲了讲他的所思所想。
问：数据科学团队协作产品是小众产品，从理念形成到坚定不移，大约在创业的什么时期？
和鲸科技创始人&CEO范向伟：和鲸前身是科赛网，2016年起，和拍拍贷、携程、百度合作过一系列算法比赛。我们看到，算法项目管理很难，不仅业务需求沟通成本很高，开发环境搭建、模型成果复用的难度大，而且，整个链条存在着惊人的浪费。
一场比赛平均有500人参与，里面不乏顶尖高校的研究生和头部企业的专职数据科学家，选手会提交大约1000个模型，但绝大多数的模型，最终都得不到用的机会。而且从模型开发，模型评价，到模型落地，环节断裂。
总之就是，效率很低。
那时候，我们看到的协同工具组合，普遍是发邮件+FTP+Jupyter+互不兼容的开源框架+难以复现的模型文件+无法访问的数据库环境。
条件如此简陋，我称之为“科学家开拖拉机”的尴尬局面。
看到痛点后，2016年底，很多现象不断验证判断，我内心澎湃。我和团队认为改变的时机到了。
开源工具的发展，已经迈过了替代能力的临界点。互联网公司的数据科学部门，默认建模工具的选项已经是Python，而不是SAS、MATLAB。以前，吴恩达的机器学习在线课程在用MATLAB，2016年之后就改成了Python。
同时，我们观察GitHub、GitLab、Atlassian都进入了发展的快速通道，这三家公司主打的价值主张，都是软件工程的协同化，他们当时一年的收入增速有3倍左右，是很惊人的增长速度。
我们形成了一个很朴素的想法：把数据工具开源化、开发工具协同化这两个趋势结合起来做，也就是GitLab & GitHub for Data Science。
回首那一时期，有很多事情发生。
美国硅谷著名投资机构A16Z对Github下了重注；
Atlassian是增长效率最高的SaaS公司；
Databricks和Dataiku开始进入企业级市场。
国内和北美在数据科学这件事情上有时间差，三年，五年？我不知道。
但是，那时候我们内心笃定：方向很靠谱，很正确。
问：怎么理解“协作”？
和鲸科技创始人&CEO范向伟：痛点并不是明摆着的，往往是踩了坑才发现问题。
刚开始创业的时候，因为有数据竞赛社区，令我们较早看到协作的价值。亲眼所见，最为深刻，我们立刻决定往协作这个方向来做数据科学平台。
“协作”是一个新鲜词。
十年前，用微博的时候，很难想象微信的玩法。
十年前，用Outlook、Excel，也很难想象Slack、Airtable。
同样的道理，直到有的人看到Deepnote、Hex、Dataiku的灵魂，观念开始变了。
协同的数据科学平台，可以让企业不同部门的员工，都参与到数据科学的开发工作之中，有人做开发，有人做报表，有人提问题，有人找数据，有人运维算力。
模型规模化生产的时候，截图、开会、打电话都很难解决不了问题，别人也看不到模型问题的前因后果。
而建模工作，恰恰是一个存在着很多疑问和Bug的复杂工作。
“协同”这个词，太抽象，国内还比较少用，常说“业务人员也要参与模型开发”，“模型资产能被不同业务复用”，本质就是业务需求驱动数据协同。
虽然高管都重视，但是，数据和业务部门就是很难合作起来。一个说业务语言，一个说研发语言，语种都不同。
大部分情况下，一个环节出现停摆，整个链条就会卡住。协同就成为了瓶颈。
问：有的机器学习平台厂商，声称也有数据科学团队协作产品功能，你怎么看待这个现象？哪种更有竞争力？
和鲸科技创始人&CEO范向伟：我们认为一个理想的协同工具，还有很长的路要走，和鲸也只是在路上，因为数据科学的业务落地、能力普及，还在很早期的阶段，进度条可能只到了5%。
协同的定位也不是和鲸的原创，这个事儿也远非和鲸当初想得那么直观，我们发现协同的复杂性，比软件工程的协同还要高一个数量级。
SaaS的协同都不好设计，不好实现，因为企业级的工作场景，其协同的流程逻辑是非线性的，没有一个特定的起点，也没有一个特定的终点，其相关的要素是不断延展、不断循环、不断叠加的，很容易变成功能堆积的毛线团，产品团队需要有很强的直觉，来判断协同的边界在哪里、主线在哪里、杠杆在哪里。
企业就是由人、事、物的协同流程构成的，所以协同是刚需，也是痛点。不会有哪个和生产力相关的SaaS或者PaaS，会说协同和自己没关系，这个就像说用户体验和自己没关系。
由于和鲸的社区场景和赛事场景的协同深度是很少见的，和鲸在协同这件事情上，走到了很深的无人区。
在企业场景，任何事儿想要做成SaaS，都很不容易，都深不见底。看似简单的场景，做深了都是在考验产品团队的世界观。
问：数据科学团队协作产品可能有一个痛点，大老板并不是很在乎数据科学家团队的体验，这是一个误解，还是确有此事？有遇到这个情况吗？如何应对？
和鲸科技创始人&CEO范向伟：老板确实不在乎数据科学家的体验，因为老板并不理解“什么叫做数据科学家的体验”，也不需要理解。
当然更多的情况下，我们还是在跟CIO、CDO打交道，我们讨论的主题是，数据团队如果没有好的协同工具，最优秀的人才更容易流失，因为拿不到需要的数据，价值没有被看到。
而且业务部门的管理者也会否定数据团队的价值，因为数据团队很贵。ROI在哪里？离开了协同工具，怎样让业务管理者看到数据团队的ROI？
一个流程有哪些浪费，人们很难意识到，除非体验到了更好的流程。
所以，我们不会做很多的说服工作，而是会培养尽可能多的产品用户，陪伴着他们成长，成为企业数据科学工作的骨干。只要他们开发的模型有价值，就是产品最好的广告。
问：有哪些生意经？
和鲸科技创始人&CEO范向伟：刚刚起步我们就有心理准备，很长的赛道、很厚的场景、很高的天花板，打持久战。想要在这个赛道活下来，和鲸这样的创业公司，必须要构建一套独特的竞争策略。
企业换生产力平台的代价很高，创业公司的产品会被重视吗？
我们的规划是“曲线救国”。
先在比赛和社区的场景打磨产品，形成领先的用户体验。
先面向高校与科研机构销售产品，把协同的能力打磨透，成为市面上最好的协同产品后，再进入政府机构和主流企业，实现可复制的产品销售收入。
也就是和鲸的三级火箭策略：社区&比赛→高校&科研→政府&企业。
可以这样归纳和鲸的发展模式：
为了把高度复杂的协同产品做好，和鲸运营的社区业务，成为了产品研发的高保真度的实验室，从而能够高强度、高频率地验证用户需求和产品设计，和鲸顺着协同产品成熟度的发展，借助社区业务的用户触达优势，逐步进入更高门槛、更高复杂度的细分市场。
后来证明，这是复杂但是行之有效的策略。
除了和鲸之外，国内并没有第二家公司，能够拿出一个“协同的数据科学平台”。
和鲸同时卡住了一个生产力工具的三个核心变量：用户基数、迭代效率和标杆客户。
这三个变量构成了环环相扣、互为因果的增强回路。
和鲸尝试封锁住协同这个赛道：高频的赛事→高活跃的社区→高强度的迭代→良好的协同产品体验→头部客户的最佳实践→社区用户的普及。
回过头看，这就是精益创业的原则和复利效应的原则的结合，尊重用户，敬畏无常，日拱一卒，水滴石穿，这个过程确实很辛苦，我们也没有想到，还真的能够坚持下来。
2020年，在某国家部委的竞标中，客户比选了国内几乎所有的供应商，经过极其严格的多轮论证，最终选择了和鲸的产品。在此之后我们意识到，我们的路可能走通了。
问：在数据科学团队协作产品这个细分赛道里，中美差异是什么？
和鲸科技创始人&CEO范向伟：技术形态上没有差异，但是，在客户需求上，有很大的差异。
中国的数字化环境很复杂，CBD、城乡结合部、地铁，同时开工，是一个大型施工现场。
企业目前是信息化、数字化、智能化三个周期的叠加，这个对于产品的定位、研发的节奏、市场的拓展，都是很大的考验，一不小心就会变成一个定制化开发的公司，自己也不知道自己到底在做什么。
具体到数据科学协同上，北美企业的综合能力，目前在全球范围还是遥遥领先的。
Databricks和Dataiku的营收规模、产品能力都在很高的水平，北美有足够大的市场需求、资本规模和IT生态系统，这个飞轮的运转速度惊人。
而且，美国的数据工具生态系统，分工的精细化堪比清明上河图，几十个生态位，有的位置有几十家企业。中国不少企业把开源技术直接拿来打包，产品形态高度雷同，缺少分工，缺少定位，缺少积累，突然出现了巨大的市场需求，只能眉毛胡子一把抓。
中国几乎没有细分定位的生存土壤，这也给了中国的数据工具一个独特机会，一旦能够顶住中国市场的巨大压力，就能跑通标准化产品在中国企业市场的PMF（这在中国非常困难）。
个人认为海外的竞品未来很难达到同样的生存能力。2B（企业级服务）软件的本质，还是效率和ROI。
虽然中国的2B市场环境很折磨人，但是，磨炼了中国企业。九死一生，厚积薄发。经历磨难可能是中国数据工具企业在这个时代的命运。
问：对你来说，相对 “恒久不变”的产品力是什么？
和鲸科技创始人&CEO范向伟：对于企业来说，软件的速度、功能，这些当然都很重要。然而，数据科学的实质不是只一个技术问题、业务问题，还是一个管理问题、经营问题。
怎样借助数字化能力，帮助公司实现更好的生存？
数据科学的协同产品的实质，就是一个关于企业的ROI和竞争力的问题。
这些年，很多商学院会新建数据科学专业，计算机学院则更多会建人工智能专业。这两个学科的课程内容有些接近，但是定位不同。一个关注经济效益，一个关注工程效率。
领先的企业是把数据科学当做一个杠杆、一个枢纽来看待的，是能够用数据科学的关联能力，把整个企业的资产、流程、指标串联起来，构建起一个经营效率爬坡的良性循环。这是一个很难实现的转变。
苦尽甘来，得到的效果是很惊人的。
问：数据科学团队协作产品令投资人最不理解的地方是什么？
和鲸科技创始人&CEO范向伟：常被投资人问到，数据科学到底是什么，和BI、AI、数据中台是什么关系？协同这个事儿有什么壁垒，为什么只有和鲸一家公司在做，阿里、百度、华为做不出来吗？
创业中，我们逐渐发现，很多科技公司，尤其是资源多的团队，反而没有耐心。指标的考核与约束太多，很难长期锚定一个“不收敛的复杂问题”，短期做不出结果，项目可能就会被砍掉，精力要放在快速见效的地方。
竞争很激烈，但是有效的竞争并不多，多数的竞争对手只是顺带做做，目的是给一个大型集成平台增加一个组件。
（完）
ONE MORE THING
（完）
更多阅读
AI框架系列：
DPU系列：
2. 永远不要投资DPU？
其他：
3. 隐私计算：消失的人工智能 “法外之地”
4. 售前，航空母舰，交付，皮划艇：银行的AI模型上线有多难？
5. AI芯片公司：拿下“超级石油”，助力地质模拟和人工智能
6. 两大榜单揭晓啦，2021年中国高性能计算机性能TOP100+国际人工智能性能排行榜AIPerf500
7. “重型卡车自动驾驶，无量产，则无意义”赢彻科技CTO杨睿刚博士观点
漫画系列
1. 万字大稿深度解读硅谷风投A16Z“50强”数据公司榜单
4. AI for Science这事，到底“科学不科学”？
最后，再介绍一下主编自己吧，
我是谭婧，科技和科普题材作者。
为了在时代中发现故事，
我围追科技大神，堵截科技公司。
偶尔写小说，画漫画。
生命短暂，不走捷径。
个人微信：18611208992。
还想看我的文章，就关注“亲爱的数据”。