由 dawei 
东莞站长网（http://www.0769zz.com）报道数据业务通常具有显著的COGS，尤其是在小规模范围内。然而，随着数据业务的增长，毛利率会显著提高。因此，我们需要了解获取或生成数据的成本是否会随着新客户的出现而发生变化，这一点非常重要。我称之为增量利润，即生成数据的成本和这些数据的售价之间的差距。如果你第 50 位客户的毛利率明显高于你的第一位客户，那么你正在建立的是一家获得风险投资支持的公司(或者，如果毛利率足够高，你甚至可能根本不需要风险投资公司的支持)。这种不断增长的利润是打造大型可持续DaaS公司的关键支柱。
如今，数据准确性正日益推动着公司创新，随着数据用于人工智能训练，质量变得更加重要。如果一家公司将数据用于营销活动之类的事情，数据质量的好坏并不重要。此外，到目前为止，人们已经接受了最低标准，即通常80%的营销数据可能是错误的。然而，当数据被用来为人工智能应用和机器学习算法提供动力时，低数据质量可能会带来灾难。换句话说，DaaS必须是机器可读的。一些数据可能需要清理，比如Trifacta，该公司提供了确保更高质量数据的工具。其他公司，如Crowdflower(如今的Figure Eight)、Mighty AI和Samasource，会对数据进行标签化，并对其进行清理以供算法使用。
如今，在科技领域，将数据描述为“新的石油或电力资源”早已司空见惯。在未来，这种“新燃料”势必将推动企业创新和增长。然而，数据并不是一个新兴的行业。事实上，这是一个已经有着数十年历史的市场，许多成功的数据公司，如彭博、安客诚、Oracle Data Cloud和尼尔森，都是在十几年前成立的。现如今，它们已经成为行业领导者。相对于之前，现如今的数据业务存在一些特征上的区别。数据市场的规模正在快速增长，这主要是因为新的测量方法(如移动电话、物联网传感器和卫星图像)产生了新的信息形式，以及新的流行使用案例，如人工智能，需要依赖大量高质量的数据。金融、营销和房地产等领域是传统的数据市场，新的变化导致了对非传统数据市场数据的需求大增。它们还导致了数据公司的迭代，并形成了所谓“数据即服务”(DaaS)的公司，例如Datanyze、Safegraph、Clearbit、PredichHQ和DataFox。DaaS追求更高速度、更高质量、接近实时的数据，从而可以支持更严格的需求，例如训练机器学习算法。非金融公司非常乐意接收外部数据，帮助他们简化运营、供应链和营销。