这篇讲的是数据生意为什么又慢又赚钱。Auren Hoffman 把数据公司分成四类，认为纯数据业务像吃西兰花——早期增长慢、销售难，但一旦客户把你的数据嵌入他们的系统，就很难换掉。他特别看好 ZoomInfo（过去20年唯一成功的纯数据公司）、FICO（它的信用评分成了贷款行业的通用标准）和 Bloomberg（客户离不开它的终端）。他还提醒，数据创业最常犯的错误是想同时做数据和应用，应该先专注一个方向。
Auren Hoffman（Safegraph CEO）在节目中深入探讨数据业务，提出用2x2矩阵分类数据公司，核心维度包括“宗教型”（高粘性）与“应用型”。他定义伟大业务需具备高毛利率、网络效应和低边际成本。关键结论：数据业务早期增长缓慢，但长期护城河强；数据集的“变化频率”是衡量价值的关键指标。他举例Bloomberg是值得研究的数据公司，并指出数据初创企业常见失败模式是未能从“数据真理象限”转向应用层。Safegraph通过用户维护数据库降低采集成本，客户覆盖零售与地产领域。
Auren Hoffman（Safegraph CEO，前 LiveRamp 创始人）用 2x2 矩阵拆解数据业务，核心维度是"过去 vs 未来"（Truth vs Religion）与"数据 vs 应用"。他判断：纯数据业务是"吃西兰花"——早期增长极慢、销售极难，但一旦建立护城河，会成为长期高粘性、高利润的生意，而过去 20 年唯一真正突破的纯数据公司只有 ZoomInfo。
Auren Hoffman 认为，所有数据公司都可以按两个维度放入一个 2x2 矩阵：横轴是"过去的事实（Truth）vs 未来的预测（Religion）"，纵轴是"纯数据 vs 应用"。
Hoffman 强调，小公司（营收 <5000 万美元）只能专注一个象限；大公司可以跨象限布局。
Hoffman 用"西兰花 vs 糖"的类比概括数据业务的增长特征：数据公司早期增长极慢，但长期粘性极强。
Hoffman 指出，数据业务早期毛利率可能看起来很差——因为采购外部数据在会计上被记为"销货成本"（COGS），即使它是固定成本。"在年营收 500 万美元时，200 万美元的数据采购看起来像糟糕的生意；但到 1 亿美元时，这只是个四舍五入的误差。"
Hoffman 认为，数据公司的护城河来自三个独特维度：高市场占有率、品牌效应和数据本身的"变化频率"。
Hoffman 还强调"可连接性"（joinability）是关键：数据越容易被其他数据集连接，价值越高。"美元、Unix 时间、股票代码都是优秀的连接键。如果你的行业没有好的连接键，创造并开源一个可能非常有价值。"
Hoffman 指出，数据创业最常见的失败是"试图同时占据多个象限"；成功的创始人需要"甘当配角"的谦逊。
Hoffman 建议研究的三家公司：Experian/FICO（理解信用数据生态）、Bloomberg（高固定成本+捆绑模式的护城河）、ZoomInfo（过去 20 年唯一突破的纯数据公司）。
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| FICO | 看好（"现象级业务"） | 将预测转化为"货币"，成为贷款证券化的通用标准 |
| ZoomInfo | 看好（"过去 20 年唯一突破的纯数据公司"） | 品牌效应强——"我不知道他们的数据是否真的比竞争对手好，我直接用 ZoomInfo" |
| Bloomberg | 看好（"越来越不可思议"） | 高固定成本+捆绑模式；"可以解雇前 20 名员工，业务仍然很好" |
| Verisk | 看好（"值得所有人研究"） | 从保险数据合作社起家，非营利转营利 |
| Experian / Equifax / TransUnion | 中性（行业结构分析） | 美国有 3 家信用局（罕见），多数国家只有 1-2 家 |
| Twilio | 中性（品牌案例） | 品牌成为默认选择——开发者不知道竞争对手名字 |
| Stripe | 中性（类比） | 高市场占有率，获客成本持续下降 |
| 中性（数据合作社案例） | 用户自维护数据库，但无法直接卖数据（信任问题） | |
| CoStar | 中性（应用层案例） | 房地产行业数据成熟度低，必须构建应用 |
| G2 | 看好（Hoffman 投资） | "软件界的 Yelp"，应用层+自有数据 |
| Second Measure | 中性（被 Bloomberg 收购） | 在 Yodlee 原始数据上构建 UI |
| Salesforce | 风险提示（数据变现受限） | 合同条款禁止数据共享，无法转型数据业务 |
1. Hoffman 定义"伟大业务"：可以解雇前 100 名员工，业务仍然很好。 最佳例子是 Visa——"即使换成我死去的祖母来运营，它可能仍然运转良好。" 核心特征：获客成本逐年下降、高市场份额。
2. 数据公司是"档案管理员"而非"宪法起草者"——必须接受配角角色。 "麦迪逊和汉密尔顿站在基座上，我们是维护宪法的档案员。没人知道我们的名字，但我们仍然重要。"
3. 数据变化频率是衡量价值的核心指标。 "关于 1812 年战争的事实不再变化，价值就低。数据像 AWS——客户支出增加，但他们获得的计算量也在大幅增加，每数据元素成本持续下降。"
4. 数据业务的"可连接性"（joinability）决定其价值上限。 "数据越能被连接，价值越高。美元、Unix 时间、股票代码都是优秀连接键。如果你的行业没有，创造并开源一个。"
5. 数据创业最常见的失败：试图同时占据多个象限。 "等营收到 3 亿美元再增加其他业务线。在此之前，极度专注。"
6. 数据公司早期毛利率可能看起来很差——因为采购数据被记为 COGS，即使它是固定成本。 "年营收 500 万美元时，200 万美元的数据采购看起来像糟糕的生意；到 1 亿美元时，这只是个四舍五入的误差。"
7. 大多数行业仍处于数据使用的极早期阶段。 "即使是对冲基金，真正擅长使用另类数据的也不超过 100 家。房地产行业能用好数据的不到 5 家。"
8. Hoffman 的"数据四名词"框架：所有数据公司都围绕人、地点、组织、产品这四个名词之一。 "几乎所有的数据公司都至少围绕其中一个名词，有时交叉，通常再与时间或价格交叉。"