Gartner 2018 数据科学&机器学习平台魔力象限

著名IT咨询研究公司Gartner在2018年2月23号发布了魔力象限报告”Magic Quadrant for Data Science and Machine-Learning Platforms”。

这个名称跟以往相比,多了“”字眼,这反映了这个行业正在经历的快速变化,新的魔力象限比较强调 , 简单易用 和 开放度。

在2017 报告的名称还是 “MQ for Data Science Platforms (数据科学平台魔力象限)”, 而在 2014-2016 报告的名称是 “MQ for Advanced Analytics Platforms (高级分析平台魔力象限)”。 针对传统的analytics/商业智能市场,Gartner有专门的分析报告,所以那个市场并未包含在这个分析报告里。

Gartner的这份2018 报告评估了16 家analytics and data science 公司 ,按照 completeness of vision(远见完整度)和 ability to execute(执行能力)划分在4各象限里。

  • Leaders 领导者(5): KNIME, Alteryx, SAS, RapidMiner, H2O.ai
  • Challengers 挑战者(2): MathWorks, TIBCO Software (新进入)
  • Visionaries 远见厂商 (5): IBM, Microsoft, Domino Data Lab, Dataiku, Databricks (新进入)
  • Niche Players 细分市场玩家(4): SAP, Angoss, Anaconda (新进入), Teradata

IBM 从领导者象限降级到 Visionary(远见者) , 而Alteryx 、H2O.ai 则跳升到领导者象限,和KNIME, RapidMiner, SAS 一起成为5个领导者。值得注意的时,领导者中有3家公司的员工少于 100人,并高度依赖于开源技术。

我把“2018年数据科学&机器学习平台魔力象限”报告截取了部分内容,然后又到几个领导者的网站上去了解一下它们的产品,做了一个小结。下面简要介绍一下5家领导者。

Alteryx 位于加州,FTE(全职雇员)555人,  它提供了机器学习平台、Alteryx Analytics (citizen data scientists 用它来建模)。

2017 Alteryx 收购了Yhat , Alteryx 于2017年在New York Stock Exchange IPO上市, 目前市值19.3亿 美刀。

Alteryx 从 Challengers quadrant 快速进入 Leaders quadrant, 可以归功于其强大的执行力,客户满意度等因素,从Yahoo Finance上查到的公开数据是,Revenue (ttm):  131.61M, Quarterly Revenue Growth (yoy同比) 增长 54.60%

Alteryx 平台自称“THE MODERN ANALYTICS PLATFORM”,

主打产品之一:ALTERYX DESIGNER

(包含Prep and Blend Data, Predictive Analytics, Spatial Analytics等)

在Alteryx Designer里,提供了很多predictive analytics tools, 诸如A/B测试分析、决策树、线性回归、逻辑回归、神经网络、模拟、网络分析、主成分分析等。

6分钟视频介绍:Getting Started with a Tour of Alteryx Designer

https://youtu.be/57qwPqubW78 (要翻墙)

Alteryx 的强项:

  • Focus on business users and citizen data scientists:  客户选择Alteryx 经常是因为它的产品简单易用。 Alterryx产品专注于business user和citizen data scientists。请注意Gartner发明了一个新的词语citizen data scientists,粗略理解就是power user (比较厉害的用户,可以是a business analyst, BI team的人,或者IT team的人)
  • 平台产品的愿景: Alteryx’s vision is for its platform to serve different kinds of user with equal ease of use and confidence.
  • 客户满意度较高

Alteryx 的弱点:

被客户主要视为一家数据准备解决方案厂商(data preparation solution vendor),它的reporting and visualization 比较弱, 在企业级应用(

Enterprise readiness)还需要增强。


H2O.ai (https://www.h2o.ai/) , 位于硅谷地带的Mountain View, 它提供开源的机器学习平台, 它自称是“The World’s Best Machine Learning Platform”。

包含的产品有:

  • H2O (#1 Open-source machine learning platform for enterprises)
  • H2O Sparkling Water (for Spark integration)
  • Steam (The Steam AI engine is an end-to-end platform that streamlines the entire process of building and deploying smart applications. )
  • H2O4GPU (it is a collection of GPU solvers by H2Oai with APIs in Python and R
  • Driverless AI
  • H2O Deep Water , which provides deep-learning capabilities;

H2O.ai的强项:

  • 技术领导者: H2O.ai 在深度学习、机器学习自动化、 混合云支持hybrid cloud support (“deploy anywhere”) 以及开源集成方面得分较高。H2O Deep Water offers a deep learning front end that abstracts away many of the details of back ends like TensorFlow, MXNet and Caffe. 在灵活性和扩展性方面,reference customers 认为iH2O.ai 是一流的.
  • Mind share, partners and status as quasi-industry standard: H2O.ai’的平台有 100,000 data scientists, 以及很多 partners 在用(这些合作伙伴诸如 Angoss, IBM, Intel, RapidMiner and TIBCO Software 都和H2O.ai的平台&Library做了集成)。
  • 客户满意度较高

H2O.ai的弱点

  • 不够简单易用:H2O.ai’s toolchain is primarily code-centric
  • Data preparation and interactive visualization较弱: 这是所有
    以代码为中心平台的通病
  • 商业模式问题

KNIME (https://www.knime.com/) 位于瑞士. 它提供了开源的KNIME Analytics Platform (世界范围内超过10万人在用)。KNIME has over 1,000 paying customers。

KNIME的强项:

  • 低 TCO: KNIME对 open-source 模式的承诺能使很多用户和组织 在不牺牲质量的前提下降低成本。这种开源性质,也促进集体创新。KNIME商业产品的定价也是让大家买得起。
  • 为各种水平的data scientists 提供了Cohesive platform : KNIME 提供了单一的、前后一致的 data science 框架,有被高度评价的数据访问和操纵能力、各种算法、针对新手和专家的机器学习工具箱等。 KNIME的platform 也和其他工具和平台集成, 诸如 R, Python, Spark, H2O.ai, Weka,DL4J和Keras.
  • 模型创建和部署自动化

KNIME的主要弱点:

性能和扩展性问题;市场和销售方面资源不够;客户在商业购买选项上选择有限,客户想要更好的security, 深度培训、企业级平台管理能力。


RapidMiner (https://rapidminer.com) 位于美国波士顿。自我介绍是“RapidMiner is a software platform for data science teams that unites data prep, machine learning, and predictive model deployment.”

它的平台包括RapidMiner Studio(模型开发工具), RapidMiner Server (用于分享、协同和维护模型) 和 RapidMiner Radoop (能够扩展RapidMiner到Hadoop环境).

RapidMiner的强项:

  • 正面的市场反应:RapidMiner同等重视data scientists和citizen data scientists, 在产品中既注重完整性,又注重简洁。Reference customers 对RapidMiner产品满足它们需求方面表示满意。
  • Model factory and model development: RapidMiner 提供了很深、很广的建模能力。例如,RapidMiner Studio 包括了可视化工作流设计器和向导式的 analytics;RapidMiner的Process 执行框架可运行及监控大量的process;RapidMiner还支持基于新数据自动重新训练模型。
  • 简单易用

RapidMiner的弱点:
在开源上有所后退,尽管提供的大部分offerings还是开源的,但新功能现在只能在商业版本上才提供;文档和培训较弱;在数据可视化方面较弱。


大名鼎鼎的SAS (http://www.sas.com/) 位于美国 North Carolina,作为老牌厂商,它针对analytics和data science,提供了很多软件产品,非常丰富的产品线。 去SAS的网站上看,光是产品和解决方案的名字,就看得眼花缭乱。

SAS® Visual Analytics

SAS® Visual Analytics

SAS® Enterprise Miner

SAS® Model Studio

SAS Visual Data Mining and Machine Learning gives users the ability to rapidly develop and easily interpret advanced machine-learning algorithms.

SAS继续保持着领导者的地位,但在Completeness of Vision 和Ability to Execute两个维度上都有所失分。

  • 很广的用户基数和很好的知名度:SAS在总收入和付费客户方面领先。客户熟悉SAS的品牌和对各种use cases的广泛支持。
  • Modern architecture现代架构: SAS Viya 代表了现代化的架构,是SAS技术研发的基础。 SAS EM 可充分利用 SAS Viya architecture的能力,  能提供客户多个部署选项;
  • 对各种用户都有吸引力: 从商业分析师到 citizen data scientists ,再到专家级的data scientists. 基于Viya 架构的 Visual Analytics 套件,是吸引力的主要贡献因素。
  • 优秀的运营: SAS在世界范围内的技术支持是难以匹敌的。reference customer给SAS的支持能力打了高分.

 

SAS的弱点:
复杂和令人混淆的多产品模式(两个平台并不能相互完全操作,内部组件相互依赖等,增加了复杂度);产品和销售策略低分;定价和销售得了低分;Reference customers 在开源支持和深度学习算法能力方面给SAS低分。


结语

每次看Gartner的魔力象限报告,看完后总想不起来它到底说了什么,但每年它推出报告,我也总会瞄一眼。 作为业界知名咨询研究公司,Gartner的报告具有一定权威性,但它的报告也受到一些人的质疑,他们质疑gartner报告评价的公正性, 钱交的多了,排名自然会有所上升,钱交的少了,gartner会找理由贬低一下,里面有没有玩平衡?

这个事情,怎么说呢,见仁见智。Gartner和IT厂商是利益共生关系,Gartner作为大厂商的吹鼓手,如果只是拿钱就吹,那也走不远。Gartner肯定试图标明自己是很公正中立的,每次报告Gartner还是会找各IT厂商的客户做调查访谈的,最后用它的方式去评分。 小厂如果表现真的优秀,gartner也不会视而不见,最起码的客观还是有的,否则谁还会相信gartner? 那每次报告,它是否真的就很公正,至于里面有没有黑幕,这个事情说不清,看你相信谁了。

且不去说Gartner报告的公正性,它到底专业吗?我个人的感受,报告写的不是很好。不过,gartner的报告还是有一定参考价值,可以随便看看。

原文:https://mp.weixin.qq.com/s/8LJo6EyJg-cTNIYDS-7k4A

- Posted in: Report

- Tags:

0 条评论 ,2,830 次阅读

发表评论

  1. 既然来了,说些什么?

Top