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“机器学习”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 机器学习, 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
既然来了，说些什么？