【中國智能制造網 訪談��目前，大數據市場被普遍看好。據知名分析機構Forrester預測，未來五年，大數據技術市場的年復合增長率將達��12.8%��　　 隨著大數據業務日漸火熱，數據量不斷增長，對于智能化處理數據及分析也成為迫切需求。Kyligence作為領先的大數據智能分析平臺，如何在這個領域脫穎而出？近日，專訪了Kyligence聯合創始人兼CEO韓卿��
　　
　　 大數據的未來是在中國
　　
　　 問：韓總您好，請您給我們介紹一下Kyligence公司和目前的發展狀況��
　　
　　 韓卿：好的，我們公司叫Kyligence，來自Kylin和Intelligence兩個單詞的組合。大家知道我們的開源項目是Apache Kylin，在Hadoop之上提供超大規模數據快速分析的能力。是目前唯一一個由中國團隊完整貢獻到Apache軟件基金會的項目，和大家熟悉的Apache Spark、Apache HBase、Apache Kafka等一樣都是項目。Kylin項目開源已經兩年多了，國內外用戶已經超過100多家，在今年年初的時候，我們幾個核心成員創立了Kyligence這家公司，也獲得了拿到了紅點創投幾百萬美元的天使投資。到今天，公司成立半年多來，一方面積極推動了Kylin開源社區和技術的發展，另外一方面也在商業上做了很多的突破，簽約了來自金融、電信、制造、互聯網等很多標桿客戶，為客戶提供了大數據自助分析平臺、數據倉庫、商業智能等各種大數據分析解決方案��
　　
　　 問：當初是什么樣的背景讓您創建了這樣一個公司？
　　
　　 韓卿：首先還是行業趨勢，整個大數據領域正蓬勃發展，我一直認為大數據的未來是在中國，我們有著無以比擬的數據量和挑戰，也就意味著其中機會很大。在我們開源Kylin后，隨著社區的發展和用戶的增多，在不同行業不同應用場景下的能力，我們看到了Kylin的未來有著非常大的前景和潛力，同時，我們也看到了隨著數據量的不斷增長，對于智能化處理數據及分析的迫切需求，我們希望將我們的技術不斷演進來將這只麒麟神獸更加智能，以解決大數據分析領域中的挑戰和難題，為廣大用戶帶來智能化的解決方案��
　　
　　 問：剛才您說拿到了天使的投資，這個投資方是看中我們什么樣的特質？
　　
　　 韓卿：紅點創投是一家全球的老牌基金，他們在美國投資了非常多的大數據創新領域的公司，他們分析過，在美國我們這個領域至少有超過10億美金的市場規模，而在中國的規模只會更大。而這么大的市場，對于底層技術提供商的需求只會更加旺盛，這也是我們一出來就拿到了他們的幾百萬美元投資的一個原因。另外，他們在剛接觸我們的時候，邀請了國內外技術公司對Kyligence及Kylin項目進行了評估，得到了對Kylin技術和團隊的極高評價和未來商業化的市場的高度認可，也是為什么紅點迅速做出投資決定的原因之一��
　　
　　 問：目前我們在中國市場上有哪些用戶��
　　
　　 韓卿：目前，據不完全統計，Apache Kylin在全球有超過100家用戶，在中國，我們有來自百度地圖、網易、美團、京東、中國移動、中國電信、銀聯、國泰君安、華泰證券、聯想、OPPO、魅族、樂視、陸金所等。為不同客戶提供大數據的數據倉庫、商務智能、自助分析平臺、數據服務平臺、資產管理、實時分析等解決方案，其中很多已經成為我們的付費客戶，購買了我們的專業服務、企業級產品以及相應的解決方案等��
　　
　　 問：我們這個產品適用的客戶是原本就有很多數據的用戶嗎？或者說是不是數據很小就用不到我們的產品��
　　
　　 韓卿：好問題，很多人會有疑問，大數據分析是不是一定要有很大很大的數據量才可以，這其實并不完全正確。我們確實是解決了超大規模大數據下的快速分析挑戰，所以很多大型企業在使用Kylin，因為他們的需求很迫切。但有更多的用戶其實數據量值并不大，但其價值卻很大，通過使用Kylin，可以在更短的時間內獲得信息，從而更早的推動業務決策和行動，大數據需要將價值大化。另外，使用Kylin，可以降低相關大數據系統的成本，從而為企業的大數據系統帶來更大的ROI��

    在大數據領域，只有合作才會共��　　 韓卿：說這個之前先看一下我們的競爭對手是誰。我們的競爭對手是傳統的數據倉庫和商務智能的供應商，絕大部分都是來自國外的公司。往往他們的數據處理能力在TB級別，而我們能輕松做到PB級別，并且相關的軟硬件成本更低。其次，我們的性能和并發性比他們快得多，在萬億規模數據集上我們能夠提供亞秒級別的查詢性能及超高的并發訪問能力，這個傳統技術是無法做到，或者需要極大成本才能實現。另外，我們是完全原生的Hadoop技術，所有的部署、應用都僅使用Hadoop標準組件及API，因此分析都在Hadoop平臺上完成，數據無需在平臺之間遷移，相比傳統的數據倉庫及商務智能方案，他們往往需要將數據抽取到BI服務器進行進一步組織和分析，而我們將計算遷移到數據的做法，大大減少了數據搬運的成本和時間��