「数据新星」Databricks 崛起启示录_风闻

新眸大公司研究组作品

作者｜叶静

编辑｜桑明强

在数据库领域，如果问当下谁最火，那Databricks一定排得上号。

去年8月，距离10亿美元的G轮融资刚过去7个月，Databricks再次获得16亿美元H轮融资，身价摇身一变成380亿美元，成为外界一致认为的超级独角兽。一直以来，数据领域备受关注，如果从2007年开始计算，全球的数据量至今已经膨胀了近200倍，数字化被写入战略规划成了各类行业的共识。

在数据量井喷的背景下，上云趋势也越来越明确，以Snowflake、Databricks为代表的大数据公司应运而生，前者基于AmazonS3打造了云端的数据仓库，后者除了推出Lakehouse（湖仓一体），现在又押宝机器学习，试图包管数据在抵达机器学习之前的所有流程。

不同的是，Databricks已经从原来的infra向更广泛场景延伸，和昔日的伙伴Snowflake同台竞技。与此同时，以AWS为代表的云巨头，也都曾战略性投资过Databricks，但现在也都在自研数据分析套件，竞合关系渐趋白热化，让数据基础设施的战火扑朔迷离。

从0到1

企业的性格往往被它的创始人和技术背景所决定。

十几年前在UC Berkley的AI实验室里，Ghodsi和伙伴发起Spark项目：做一个能够更轻松处理大量数据和机器算法的引擎，并且开源了代码。相比较多数开源项目，面向的都是底层技术性强要求的infra工程师，spark面向更广泛的客户群，同时在上层加了很多的新的API，降低了技术门槛。

因为没有优秀的开发者社区运营和推广团队，Spark变现比较难，之后团队成员决定成立Databricks，以商业化方式推动Spark社区发展。即便Spark是过去硅谷的顶流产品，但这并没有让AWS等巨头买账，他们选择绕过Databricks，直接将Spark集成到自己的产品里。在Databricks卖产品还不如办Spark峰会收入高的时候，Amazon EMR已经针对Spark实现了几亿营收。

Databricks创始团队走了一条不被大众熟知的激进的路：云。

虽然不管对公司还是客户来说，云可以更快部署，也更容易维护，但正如联合创始人Reynold Xin所说，大部分的人知道云是未来，但绝不是现在。当时只有小部分风投注资这家初创企业，New Enterprise Associates的投资者Pete Sonsini说：“我们在Databricks的软件收入为零时投资，认为他们会在大流行中加速发展，也许是一两个月，每个人都无法及时知道会发生什么”。和Databricks一样，他们也在赌未来。

图：Databricks年度融资及估值变动

2013到2015这三年，虽然有硅谷风投支持，Databricks也借力这些资金吸引人才，推出了基于云端的简化大数据处理平台Databricks Cloud，但不管是招主管、找融资还是见客户，Databricks都会被质疑：真的不支持on-prem吗？

因为背靠Spark，很多客户甚至愿意年付几千万美金让Databricks提供咨询定制化项目，但Databricks做的是一个给数据工程师的平台,这是当时大部分公司闻所未闻的玩法,也是前几年商途不顺的原因之一。值得一提的是，彼时的云界开源前辈Cloudera曾改名“Cloud Era”，可在当时的市场情况下，最终还是转向了on-prem做定制和售后支持才得以存活。

在这种逻辑下，云厂商把开源软件拿来经过简单的封装，再作为服务卖出去。由于这个过程只需要简单的部署和调试，工程成本极低，定价也不高，巨头从中赚走了大部分，这对Databricks来说相当于吸血，怎样和有钱有人的云巨头对抗，是Databricks亟需在技术上打造的壁垒。

他们赌的另一条路，是不做数仓。

彼时数据仓库竞争过于激烈，以亚马逊为首的巨头占据了大部分市场份额，Databricks继续小众打法：避开红海，尝试切入一个新兴却可能会有爆炸性增长的小市场，针对数据科学家、数据工程师和AI的方向做产品。

开源小公司的优势在于更懂项目，迭代更快，能够聚焦、死磕产品性能，而公有云大厂很难在单一方向投入最好的工程师。随着数据量的爆发，云的生态优势逐渐被认可，加上当时市面上也没有大量竞品，这给Databricks的产品带来了机会。

另一方面，在2019年微软投资Databricks之前，正巧CEO纳德拉推动云为先的战略，两家合作的Azure Databricks进入了微软的企业许可协议。微软从一个大数据竞争劣势的云产品摇身成为业界领先，形成了云巨头三足鼎立的局面；因为几乎所有大企业都和微软有ELA，共生效应之下，客户原本买云买Office的预算自然流向了Databricks。

有人将Databricks创始团队比作一群幸运的加州嬉皮士RD，他们信仰技术，信仰来源，信仰共享和长期主义，这些也都成为了Databricks的底色。

超级加倍

让所有人感到意外的是，2019年后，Databricks以绝无仅有的加速度在增长。

截至2021年2月，公司已经筹集了近20亿美元资金，包括由富兰克林邓普顿领投的10亿美元G轮融资，此时Databricks估值已经达到280亿美元；在经过最新轮融资后，Databricks380亿的身价与三年前的62亿相比暴增了近13倍。

基本面决定价值，价值决定价格，如果将Databricks的成功仅归结于对技术犀利的洞察，借助了巨人的肩膀和好运气，这还远远不够。基于开源的创新是Databricks成长的关键，从大数据领域杀入云计算和AI，它的产品矩阵里包括DeltaLake、MLflow、Koalas以及开源分析引擎Spark等杀伤利器。

其中，超过80%的用户使用Delta Lake；MLFlow为数据科学家提供了标准化的开源框架，下载量以每月80万的速度增长，拥有比Spark更多的用户；而Koalas可以让数据科学家在笔记本电脑上使用Pandas编程，调用几个API就可以将工作部署到大型的分布式Spark集群上，把Pandas社区的数据科学创新带给了Spark用户。

帮助其他企业构建自己的AI能力，透露出了Databricks的野心：从BI到AI，构建一个企业AI平台，因为Ghodsi认为，在企业计算领域，行业还没有出现头部的企业AI平台。

除了软件产品本身，Databricks的业务模式也有所不同。

传统的开源商业模式是软件免费，厂商收取支持和服务费用，这在on-prem里或许可行，但在云的世界就不一定了。Databricks在开发、软件运行、运营和托管方面向客户收费，采用SaaS开源的盈利模式，客户可以在本地开源平台下载免费的基础软件，同时也可以下载开源公司打造的其他付费版本。

不高估开源，也不低估市场，Ghodsi说：“在云端托管开源项目并把它们租给用户，客户流失率更低，利润增长更快”。SaaS租赁模式下，Databricks的核心知识产权没有存放在它所赞助的开源软件项目中，而是在它用来监管云端软件的工具中，这样避免了泄露的风险。

根据报告，Databricks最新ARR (年度经常性收入)达到6亿美元，相当于Snowflake同财年12亿营业收入的一半，截至目前，后者市值近670亿美元，如果按照两倍之比来简单预估，Databricks380亿的估值也比较合理。以新估值计算，Databricks的价值是当前ARR的63倍，相较于2020年的4.25亿美元，ARR近30%的增长率让投资者对它未来的收入十分看好。

图：Snowflake与Databricks定价对比（来源：官网）

另一方面，通过对比官网收费方式发现，虽然是平台租出服务器的计算资源，但这些服务器整个系统都建立在主要的云厂商的基础服务上。以Snowflake（左）为例，同样是以每秒粒度使用的计算资源付费，Snowflake是平台和云厂商打包收费方式，客户对底层服务界面（如EC2）和上游的Snowflake的成本花费要一次性付清，但比例是怎样无从得知，而打包之后Snowflake需要支付给云厂商另外成本，这在无形中增加了费用风险。

Databricks（右）的玩法是分开收费，用户的账单主要分为两部分：常规的底层云厂商服务器租用成本，以及Databricks在这些服务器上的功能费用。客户使用底层器时，费用单独付给云厂商，并不算在Databricks的营收里。

所以如果对比营收，比如2020年的Snowflake营收近6亿，但刨去付给云厂商的费用，和Databricks4亿多的营收相比，也差不了多少。而这既是Databricks毛利率比Snowflake高的原因，也是前者赚钱能力强的体现。有观点猜测Databricks迟迟不上市的原因，如果根据Ghodsi的说法，是为了避免二级市场所带来的波动，或许收费方式被迫改变等不可预测因素也在里面。

天时地利人和

根据官网显示，除了为数据科学家、数据领导者与数据工程师提供角色解决方案，Databricks还利用大数据和AI为广告和营销、通讯服务商、教育、能源、联邦政府、金融、医疗等13类行业提供服务。

从类别数量上，Databricks要多于Snowflake，此时全球已经有7000 多家组织（包括荷兰银行、康泰纳仕、H&M 集团、再生元和壳牌）依靠 Databricks 实现大规模数据工程、协作数据科学、全生命周期机器学习和业务分析。

通常情况下，企业客户在进行数据架构时，第三方平台提供数据湖方案，在数据湖中做一些常见的数据工程；同时会有一个数据仓库，存放相当于数据湖5%-10%的结构化数据，来做BI等简单的数据分析。

但由于数据分裂在两个系统上，针对同一个客户问题分析，不同团队有不同权限，因而会看到不同版本的同一份数据，当得出不同结论后，做商业决策的团队不相信数据，进而导致底层数据平台失信，这是个很致命的问题。

将结构化和非结构化数据结合到一个地方，让客户在不移动底层数据的情况下执行数据科学和商业智能工作，是大数据发展的一个关键变化。于是，Databricks决定力推Lakehouse，能够直接在数据湖的低成本存储上，实现类似于数据仓中的数据结构和数据管理的功能，可支持BI到AI所有的工作流。

从Databricks的网页介绍上看，无论是数据工程、数据科学，还是机器学习都要依靠Lakehouse运行，加上过去使用低成本对象存储的数据湖的访问速度很慢，如今DB SQL提高了分析质量和性能，使数据湖在大数据集上的处理与数据仓库相媲美。

“Lakehouse是一个新赛道，这是一场地盘争夺战”，H轮融资之后，Ghodsi表示，这笔资金将主要用于加速Lakehouse的产品创新和市场开拓。与此同时，Databricks透露保留所有主要公共云的选择和灵活性，并将Lakehouse发展成传统数据仓库的替代品。

越来越多的企业乐于看到Databricks的实力和发展潜力，这和它本身的商业逻辑有关，业内传统企业如Teradata在营收额上虽高过Databricks好几个身位，但市值仍徘徊在40多亿美元。大剂量的资金注入后，Databricks选择并购来填补产品路线图中的空白或不足，重点是机器学习和数据初创公司，以及扩大与云公司的合作伙伴关系。

“云、开源、机器学习，这三个方面已成为每家企业战略的核心。我们真的很幸运能够处在这三大趋势的中心位置上。”Ghodsi在接受采访时说到。如果说2019年前看好Databricks的小部分风投是赌趋势，如今匆匆进场的其他机构也并没有迟到，因为在他们眼里，这家独角兽仍具备难以估量的增长能力。