本文最初髮錶在 Decentralized.co 上。在GCR 上，我們每月兩次（每隔一個星期四）爲您帶來與去中心化相關的長篇內容！ Decentralized.co 已穫得200多家公司管理層的信任，讓它們能夠及時了解重要的趨勢、數據和見解。您可點擊以下按鈕訂閲他們相關時事資訊——更多的是爲我們在 Discord 上最活躍的成員提供有關此次合作的更多支持。
你們好！
如果您想了解此處所寫內容以外的相關文章，可閲讀我們已於7月18日爲本文編寫的前言。
所有生物都會留下一些記録。動物通過追蹤季節來了解何時狩獵。嚙齒動物和鳥類將食物儲存在特別的地方。他們需要記住所儲存的位置，以便在幾個月後能找到它們，用於食用以繼續生存。狼在領地周圍留下標記，示意其他動物不要靠近。甚至樹木也會記録時間。每年，樹幹切麵上都會形成一個環。人們可以根據這個稱爲年輪的環的數量來推測一棵樹的年齡。
盡管樹木和動物能夠記録時間，但它們無法檢索或講述過往的事情。他們無權訪問內存。而人類可以，這就是人類記録保存的不衕之處。由於我們具有溝通能力，我們知道美索不達米亞的蘇美爾人（公元前3400年）和古埃及人（公元前3200年）使用楔形文字和象形文字來記録信息。
當知識可以在無需實際涉足來源的情況下傳遞時，人類就進化了。在柏拉圖或蘇格拉底去世很久之後，我們仍然能閲讀併欣賞他們的作品，因爲我們有辦法存儲他們的學説內容。最初的 AR 平颱書是文字。
來自伊朗的文字記録了穀物的情況。來源：鏈接
在文字將事情留給想象的地方，數據幫助保持事情的客觀性。它減少了個人將事物存儲在記憶中的要求。這就是爲什麽一些最悠久的人類文本涉及債務、收入或交易記録的部分原因。
走曏數字化
在後工業時代，企業通過將銷售記録數字化來建立競爭護城河，以加強其市場地位。其中一個例子是一家名爲 Asian Paints 的印度公司。他們的塗料可能不是市場上最好的，但他們控製著印度80億美元塗料行業50%以上的市場份額。
爲什麽？簡單的答案是，它是一個家喻戶曉的品牌，而且該公司具有規模經濟。但他們如何實現這一目標的根源在於數據。他們在數據收集和處理方麵投入巨資，以優化供應鏈。
從背景來看，亞洲塗料股票在過去30年中的覆合年增長率高達25%。支持這一增長的是20世紀70年代對大型計算機的投資。該設備比當時印度最好的研究機構使用的設備更強大。它每小時收集與印度各地銷售的塗料顔色和數量相關的數據。這使得亞洲塗料公司能夠建立一個模型，以98%的準確率預測整個印度的塗料需求。
這種預測能力使亞洲塗料公司能夠穫得最大價值，因爲它可以大大減少補貨時間。當時，銷售塗料等商品的法則是將其出售給批髮商，然後批髮商將其交給經銷商，經銷商再將其出售給商人。商人將直接與消費者互動。供應鏈之所以如此覆雜，是因爲各方都擁有資産庫存併控製著塗料供需數據。
亞洲塗料的創始人喬剋西先生研究了最終用戶的消費模式併減少了對中間商的依賴，以此將批髮商和分銷商從供應鏈中剔除。通過消除中間商，亞洲塗料穫得了97%的 MRP（商人占 3%），而競爭對手則穫得了60%。
Telegraph extractable value would be frontrunning ticker tapes relayed over the Telegraph.
電報可提取價值將是通過電報轉髮的搶先行情磁帶。
曏數字化的轉變併非一蹴而就。數據收集變得吸引人的部分原因在於金融世界及其逐漸變得相互關聯的程度。例如，在20世紀末，股票市場數據是使用上述設備通過電報轉髮的。早在1835年，商人就訓練鴿子攜帶一些紙片，其中包含有關歐洲的新聞。當運載貨物的汽船駛入距陸地50英裡以內時，鴿子就會帶著信息飛到指定地點。過去，交易者要提前每小時支付500美元才能穫得新聞。
到1867年，交易員們開始競相優化電報傳遞信息的速度。一位名叫 E. A Calahan 的西聯彙款員工曏 NYSE 支付了20多萬美元，以成爲能夠派員工到交易大廳曏其客戶轉髮股票數據的人。付出努力以優化該繫統的人之一包括一位名叫托馬斯·阿爾瓦·愛迪生（Thomas Alva Edison）的年輕科學家。一個世紀後，像彭博終端這樣的工具將在任何一天急劇擴展金融數據轉髮的速度和數量。
塑造原始數據
數據就像原油一樣，必鬚經過幾個步驟的提煉才能使用。了解彭博社的成長方式有助於了解整個數據格局的演變以及過程。彭博社併不是第一個嘗試使用技術來改進交易和報告機製的公司。納斯達剋使用 Bunker Ramo 終端來傳播信息併下達買/賣訂單。然而，依賴以前的電話通信網絡意味著擴展這種模式總是充滿挑戰。
來源：NASDAQ – The Evolution of Automated OTC Trading
1981年，投資銀行所羅門兄弟 (Solomon Brothers) 的合伙人邁剋爾·布隆伯格 (Michael Bloomberg) 在 Phibro Corporation 收購該銀行時因其股權而被解雇，併損失了1000萬美元。他意識到，隨著從紐約到日本的金融市場日益電子化，投資者已經準備好爲提煉的金融信息付費。他創辦了一家名爲 Innovative Market System 的數據服務公司，該公司於1986年更名爲彭博社。
在互聯網興起之前，彭博終端是通過 Chiclet 訪問的。它通過一條特殊電纜連接到彭博控製器，該電纜通過專用電話線連接到本地集線器。彭博社通過數據合作伙伴、新聞機構和新聞稿以及手動數據輸入和基於電話的數據收集等專有方法收集數據。
隨著互聯網的出現，信息的閘門打開了。如今，彭博社幾乎能實時穫取、處理併提供2000億條金融信息。即每秒大約2300萬個數據點。彭博社提供的一些信息是公開的。公司財務報錶以及股票和債券價格等數據點可以在公共論罈上找到。
但是，如果您是石油和天然氣分析師併且想要了解原油集裝箱的移動情況，那麽你該怎麽辦？如果您不訂閲彭博社等數據源，您不太可能實時穫取此信息。不是所有的互聯網數據都是免費提供的。
當提及 Web2 中的數據時，個人通常麵臨兩個限製：許可訪問和處理大量數據的高障礙。多年來，像彭博社這樣的提供商已經建立了足夠強大的網絡效應，可以通過其附屬機構穫取數據，而分析師或投資者卻無力這樣做。
最好是曏彭博社支付20,000美元進行年度訂閲，而不是嘗試從可能具有不衕定價等級的混合數據平颱穫取數據。即使您足夠努力地穫取數據，但如果沒有大量的基礎設施支出，您也無法實時處理和運行分析。在零售端，許多最終擴展的平颱都是數據匹配引擎。
可以這樣想：穀歌（搜索引擎）是一家數據公司，爲企業提供訪問用戶的機會以換取廣告費。當一家餐館或一份時事通訊（比如我們的）希望定位在 Google 上搜索信息的用戶時，他們會匹配類似信息的供需。在尋找特定於 Web3 的時事通訊信息的人正在尋找我們。我們正在尋找那個人。 （我抑製住了在這裡插入我們的推薦計畫的衝動。）
穀歌因其規模經濟而建立了壟斷地位。他們的用戶庫存和用戶每日查詢數量仍然無法匹敵。穀歌在廣告盛行的時代推出一款沒有廣告的搜索引擎，然後收購了 YouTube 和 Android，最後曏蘋果等衕行付費，最終讓穀歌成爲默認搜索引擎，從而奠定了這一地位。僅就蘋果而言，穀歌每年就支付200億美元，以保持 Safari 上的默認搜索引擎地位。
穀歌支付如此高的費用是因爲其産品的核心是匹配引擎。匹配引擎讓有需求的用戶與提供産品的企業取得聯繫。大多數網絡壟斷的核心都是匹配引擎。亞馬遜將産品賣家與買家配對。 Instagram 將受衆與創作者匹配起來。這些匹配引擎之所以有效，是因爲這些産品上的交互留下了很多痕跡，可以從中驅動環境。
本·埃文斯 (Ben Evans) 在2022年寫下了一句著名的話：不存在數據這樣的東西。了解我的內容、食物或旅行偏好對於第三方來説沒有多大價值。隻有當它通過環境進行聚合或豐富時，它才對商業或研究有價值。
從某種意義上説，我對在周五晚上吃印度飯的偏好這一環境可以用來在我購買印度飯的概率最高時曏我做廣告。總的來説，將我的購買概率與衕一地區的衕行進行比較有助於更好地定位用戶。
數據需要規模（量大）或環境才能有價值。 Web3 和 Web2 産品在歷史上的不衕之處在於它們留下的痕跡。隻有亞馬遜知道一周內會售出多少 Xbox 控製器。但您可以隨時查看交易者在 OpenSea 上買賣 NFT 的模式。原因是每筆交易都會留下公開痕跡。
Web3 中的數據産品使用這些痕跡來構建環境。
以太坊和比特幣等區塊鏈分別以每12秒和約10分鐘的速度産生一個區塊。每個區塊都包含改變區塊鏈狀態的交易。像 Etherscan 這樣的區塊瀏覽器會捕穫與所有交易相關的數據。例如，如果您訪問 Etherscan 併看到一個區塊，您可能會看到下圖。
區塊鏈上的交易有著豐富的背景。 Arkham 和 Nansen 等産品是研究人員了解交易髮生時所髮生情況的解釋引擎。
您可以查看自以太坊啟動以來的所有區塊。但你能用這些信息做什麽呢？幾乎不能做什麽。因此，您需要一種方法來捕穫多個錶中的數據。例如，每當區塊中調用市場的 NFT 合約時，與該交易相關的數據應附加到 NFT 相關錶中，或者當 Uniswap 合約被調用時，相關數據應存儲在 DEX 相關錶中。 （沙丘將此作爲一項服務。）
您無法在不産生大量基礎設施成本的情況下分析原始數據。因此，盡管數據是免費提供的，但您也會遇到衕樣的問題。作爲投資者或 dApp 構建者，您依賴外部數據。但您的核心職能與收集和管理數據無關。將資源投入必要但非核心的活動併不是每個組織都可以享受的奢侈。
環境驅動價值
對於數據産品來説，數據周圍的環境使産品變得獨特。彭博社運用其對金融的理解，將數據轉化爲髮明者和交易者可以輕鬆使用的形式。Likeweb 等網站或 Newzoo 等研究出版物利用其核心能力將社交或游戲相關環境應用到他們跟蹤的數據中。
區塊鏈原生數據産品通過回答與特定用戶子集相關的問題的查詢來提供用戶環境，從而讓自己與衆不衕。例如，TokenTerminal 計算協議的經濟基礎。Nansen幫助市場參與者標記和了解資産的流動。Parsec 查詢鏈上數據，幫助交易者更好地分析 DeFi 頭寸。
所有這些産品都依賴於公共利益：鏈上數據。不衕之處在於這些産品呈現數據的方式，這使得它們吸引了不衕的受衆。
我們行業中的産品類別畫分是基於哪些數據在鏈上以及哪些信息來自鏈外來源。 （有些人經常衕時使用兩者來畫分。）數據提供者使用他們的環境過濾器來創建産品。正如 Web2 數據有其利基市場一樣，Web3 數據公司已經或正在利用其核心能力逐漸構建護城河。
因此，創始人的背景通常決定了所髮布産品的性質。當一個核心團隊在加密貨幣之前在資本市場花費了大量時間時，他們的産品往往會模仿彭博社，而加密貨幣原生産品看起來就像 Nansen。不衕的産品可以滿足不衕的需求，即使查詢相衕的數據也是如此。
例如，交易所通常會在固定的時間間隔後丟棄數據。他們不從事數據業務，存儲過往數據需要額外的服務器和管理。一些數據提供商（例如 Kaiko 和 Amberdata）維護來自交易所的歷史訂單數據。這些數據允許交易者和投資者建立模型來檢驗他們的假設。但如果你想了解哪些 DeFi 合約正在因 ETH 或穩定幣的流入而大量涌入市場，或者分析特定地址或實體的鏈上行爲，你將需要 Nansen 或 Arkham 的産品。
市場地圖併不代錶每個類別的每個參與者。
通過加密貨幣中的消費者角色的視角是了解産品在市場上的定位的一種方法。這些角色可以分爲以下四個主要類別。
金融機構
在熊市期間，流經加密數據産品的大部分美元都來自金融機構。這些都是大客戶，具有更長的銷售周期和更覆雜的數據要求。了解産品是否麵曏金融機構的一種方法是，客戶是否必鬚通過銷售電話來確定其成本是多少。在 Web2 世界中，您無法找到 PitchBook 或 CB Insights 的成本。在加密領域，你不知道像 Chainaanalysis 這樣的産品要花多少錢。
拋開笑話不談，這種銷售流程的部分原因是麵曏這一消費群體的數據産品提供的實際操作、周到而且質量屬上乘的服務。這些用戶通常選擇高度精細且頻繁的數據。他們不僅在交易前的決策方麵需要數據，還在交易後需要數據，以滿足合規性和稅務要求。
例如，他們需要産品來告訴他們投資組合的歷史價值是多少，幫助他們進行稅收計算等等。Amberdata、Kaiko、CoinMetrics、CryptoCompare 以及也可以説有 Nansen 等公司爲這些客戶提供服務。
根據我的經驗，隻有在擁有大型融資輪的機構或團隊工作背景的創始人才能打開機構數據市場。與任何企業産品一樣，這裡的進入壁壘相對較高。
開髮者
我們經常無意中髮現Web3的可組合性功能，這意味著Web3應用程序可以相互依賴。他們可能需要彼此提供數據。因此，他們需要不斷地互相讀取數據。例如，像Yearn Finance這樣的平颱需要從Aave和Compound讀取數據，像Tensor這樣的NFT聚合器需要從Magic Eden和其他市場讀取數據。
但這些數據跨區塊存儲在以太坊和 Solana 等鏈上。以太坊在12秒內創建一個區塊，而 Solana 在400毫秒內完成。將區塊鏈數據排序到錶中併將其存儲以供快速訪問是一項艱巨的任務。這就是 Covalent、Graph、Chainlink 和 Powerloom 等索引器髮揮作用的地方。它們確保原始區塊鏈數據以所需的格式存儲，以便開髮人員可以通過簡單的 API 調用來穫取它。
這個消費者角色中的一個新興部分涉及用於理解用戶行爲的工具。例如，ARCx 允許開髮人員將鏈下數據（如瀏覽器行爲）與鏈上數據（如錢包地址）映射起來，以捕穫與 dApp 交互的用戶的人口統計信息。它們處於相對較小但相關的利基市場中，因爲它們幫助開髮人員識別他們的用戶是誰。
研究人員和出版物
加密貨幣中的數據産品通常通過與研究人員和出版物合作來進行分髮。例如，CCData 經常被彭博社引用。研究人員傾曏於依靠數據産品，因爲它們有助於在收集、清理或整理數據時節省時間和精力。像 Dune 這樣的産品通過建立一個分析師社區來建立護城河，這些分析師互相競爭以在列錶中穫得更高的排名。
The Block 和 Delphi 等出版物展示了使用第三方提供商的數據構建的儀錶闆。在 Decentralized.co，我們完全依賴外部數據提供商，因爲他們在收集數據時使用外部資源的衕時幫助團隊保持精簡。
迎合這一消費群體的挑戰在於，規模較小的研究人員可能沒有所需的預算來證明花費大量資源以揭示可能僅與個人相關的利基見解是合理的。相反，公司很願意花費精力和資源與《金融時報》等重要出版物合作，因爲這有助於髮行。
散戶投資者
麵曏散戶的産品通常具有較低的數據粒度和頻率。但由於他們看到了規模經濟，因此它們是高利潤的利基市場。在不存在客戶流失的情況下，每名支付100美元的用戶相當於100萬美元的ARR業務。説起來容易做起來難，但這些經濟學解釋了爲什麽我們有這麽多麵曏零售的加密數據産品。
大部分麵曏零售的産品是免費的或由廣告支持的。例如，像 DefiLlama 這樣的免費資源不會告訴您如何通過不衕的交易所（CEX 和 DEX）傳送訂單以避免滑點，因爲它不穫取訂單簿快照，但它會顯示有關代幣解鎖或收益率解鎖的信息。
這一消費群體的一個變化是交付媒介開辟新的市場類別方式，例如，Cielo 通過 Telegram 以通知形式交付數據。它以易於使用的方式爲不願使用桌麵界麵的消費者群體傳遞信息，通過此方式它已擴展到40,000多名用戶。如果做得好，即使是分銷媒介也可以成爲早期企業的微分器。甚至在數據中也是如此。
盡管分類有些模糊，但數據公司可以分爲 B2B 或 B2C 方曏。
Amberdata 和 Kaiko 等公司擁有迎合成熟參與者的産品。這些産品更加精細（數據可用的細節）、出現更頻繁（例如逐筆交易和實時訂單簿數據），併且滿足諸如構建和測試模型、交易前分析、交易後分析、報告、稅務和合規性等需求。數據的提供形式允許客戶進行專有分析併根據他們的口味構建可視化。這些公司通常通過付費牆提供産品。
由於基礎設施要求、所涉及客戶的性質以及銷售周期的長度，成本通常是粒度的函數。
上圖在兩個軸上映射了不衕的産品——深度和粒度與産品價格。請註意，這些圖併不準確。有幾個點可能會錯位。這個想法是建立一個心理模型，用於思考幾種産品及其在市場中的地位。
Dune 或 CoinGecko 等專註於零售的産品幾乎免費顯示所有數據。要訪問某些數據，或者通過 API 穫取數據來運行分析，客戶必鬚付費才能使用。例如，您可以查看多個 Dune 曏導創建的所有圖錶，但它們限製您可以以 CSV 形式下載的行數。您可以下載更大的 CSV 文件併在支付更多費用後查看私人檢索。
專註於零售的公司的每客戶收入往往較低，付費客戶占免費用戶的比例也很少。將此與互聯網公司免費增值模式的轉化率進行比較。通常，轉化率爲2%–5%。10%的轉化率屬於異常值。他們計畫擁有盡可能多的免費客戶，以便4%的轉化率帶來顯著的收入。這就是我們所説的漏鬥頂部。
因此，數據公司需要漏鬥頂部足夠大，以産生足夠的收入，從而維持較低的轉化率。當網站有很多訪問者時，公司還可以考慮通過廣告創收。 CoinGecko 利用廣告收入作爲杠桿，繼續免費提供大部分數據。
多年來，各個公司已經填補了兩端（B2B 和 B2C）的空缺，但在中間留下了一些空白。對於那些想了解中心化交易所的訂單簿如何變化，或者看跌期權比率、IV 和偏差如何變化的人來説，沒有多少産品可以幫助實現可視化。還有空間實現比世界上的 CoinGeckos 更精細但沒有純 B2B 參與者的産品那麽精細的産品。
在護城河上
在原材料免費的企業中尋找護城河併不容易。區塊鏈數據是免費提供的。您可以收集的數據沒有任何專有性。因此，數據業務的護城河不僅僅取決於你擁有別人沒有的數據。相反，它們基於團隊以富有洞察力、可使用的格式、按時且無錯誤地提供數據的能力。
許多公司聲稱擁有相衕的數據，但數據質量和呈現方式有所不衕。例如，許多公司聲稱擁有鏈下訂單簿數據。然而，諸如買/賣訂單數量、時間序列長度以及可用交易所和貨幣對數量等因素因提供商而異。Amberdata 和 Kaiko 擁有加密貨幣市場最全麵的訂單簿數據。
但是，爲什麽隻有少數提供商能夠提供此類數據呢？Web3 數據中護城河出現的解釋就在這裡。
人才——冒著陳述顯而易見事實的風險，當原材料免費時，你如何塑造它決定了産品的價值。將原始數據轉化爲有用的信息需要加密貨幣和傳統金融市場中許多領域的領域專業知識。像 Velo Data 這樣擁有傳統市場經驗的團隊比其他嘗試構建類似 B2C 産品的團隊更有優勢。能找到的了解區塊鏈數據結構併具有金融市場相關經驗的優秀開髮人員非常罕見。
基礎設施——收集和交付大量數據需要基礎設施，但這併不容易。這種運作需要資金和人才。爲什麽基礎設施是護城河？想想內存池數據。區塊包含已確認交易的數據。未確認的交易怎麽辦？
不衕的網絡節點（例如連接到衕一池的節點）看到不衕的未確認交易。僅運行一個節點不會提供競爭事務的全局視圖。在多個區塊鏈上維護多個節點會增加基礎設施成本。就像人工智能（以及過去的內容網絡）一樣，在擴展的衕時保持較低硬件成本的能力將久而久之將決定該行業的贏家和輸家。
網絡效應——可以假設許多加密數據産品中都存在網絡效應。以 Chainlink 爲例。它是最早允許應用程序從其他應用程序或鏈讀取數據的預言機之一。它成功地穫得了社區的支持，併擁有最強大的社區之一。另一個例子是Nansen。它的成名之處在於地址標簽，這使其能夠將資産移動歸因於真實實體而不是六位數地址。
隨後推出了NFT天堂、幣神模式等功能，讓用戶更有效地追蹤NFT和代幣。Arkham 推出了與 Nansen 標簽類似的産品，但對儀錶闆和研究的投資使 Nansen 能夠麵曏企業客戶併提供爲他們量身定製的産品。值得一提的是，如果沒有前兩點（人才和基礎設施），網絡效應就不可能實現。
這奏效的一個地方是使用索引器。産品支持的鏈數量越多，開髮人員使用該産品而不是依賴多個來源的可能性就越高。像 Covalent 這樣的團隊在這方麵具有優勢，因爲他們長期以來一直在優化支持的鏈的廣度。但請記住，深度與廣度衕樣重要。
現在判斷一項産品在加密領域是否擁有有意義的護城河還爲時過早。我們見證了宏偉計畫中的先髮優勢。隨著 Web3 社交等類別以及人工智能和加密貨幣之間的重疊不斷擴大，行業中的數據産品可能會成長爲下一個 Alphabet。但這將是一個長達數十年的故事。我們仍處於早期階段。
猜測之外
我們在本文中提到的許多用例都以某種形式著眼於金融投機。甚至使用 API 查詢數據的開髮人員也在構建金融産品。這可能看起來很奇怪，但區塊鏈（作爲一種新網絡）遵循了Telegraph軟件和互聯網的相衕趨勢。
新媒介的到來和新網絡的出現加速了金融用例的髮展。直到2000年代初，人們才意識到互聯網可以根據用戶的位置來定位目標。對於區塊鏈，我們仍在研究如何根據公開的數據路徑構建商業模型。
我們在這些平颱的日常使用中看到了一個主要變化——Dune Analytics 在其産品中嵌入了人工智能。Dune 提供了一個基於 SQL 的界麵，供用戶查詢以太坊和 Solana 等區塊鏈上的數據。此類産品的市場通常僅限於了解如何編寫 SQL 查詢的用戶。他們最近開始使用人工智能來幫助分析師生成查詢，而無需成爲 SQL 專家。它併不像人們希望的那樣實用。但這仍然是邁曏未來的一步。可能用不了多久，我們就會要求人工智能（如 ChatGPT）查詢區塊鏈上的數據併提供其分析。
在 Web3 背景下思考“數據”的一種方法是通過 Google 地圖的視角。GPS 至少從20世紀80年代開始就已經存在。穀歌在繪製世界方麵投入了所需的精力。在爲第三方應用程序（使用 API）提供地圖疊加層的過程中，該公司啟用了新一代應用程序的構建。從送貨到打車的一切都在蓬勃髮展，因爲專門從事數據的單一參與者承擔了開髮人員的負擔。
Web3 中的數據産品也將扮演類似的角色。我們還不知道可以在這個公開資源上構建的應用程序的確切性質，但很明顯，數據領域將有機會匹敵Alphabet公司的規模。
聲明：
- 本文轉載自[GCR]，著作權歸屬原作者[Saurabh Deshpande、 Siddharth、Joel]，如對轉載有異議，請聯繫Gate Learn團隊，團隊會根據相關流程盡速處理。
- 免責聲明：本文所錶達的觀點和意見僅代錶作者個人觀點，不構成任何投資建議。
- 文章其他語言版本由Gate Learn團隊翻譯， 在未提及Gate.io的情況下不得覆製、傳播或抄襲經翻譯文章。
相關文章
什麼是穩定幣 USDT？
一文解讀什幺是區塊鏈
本文最初髮錶在 Decentralized.co 上。在GCR 上，我們每月兩次（每隔一個星期四）爲您帶來與去中心化相關的長篇內容！ Decentralized.co 已穫得200多家公司管理層的信任，讓它們能夠及時了解重要的趨勢、數據和見解。您可點擊以下按鈕訂閲他們相關時事資訊——更多的是爲我們在 Discord 上最活躍的成員提供有關此次合作的更多支持。
你們好！
如果您想了解此處所寫內容以外的相關文章，可閲讀我們已於7月18日爲本文編寫的前言。
所有生物都會留下一些記録。動物通過追蹤季節來了解何時狩獵。嚙齒動物和鳥類將食物儲存在特別的地方。他們需要記住所儲存的位置，以便在幾個月後能找到它們，用於食用以繼續生存。狼在領地周圍留下標記，示意其他動物不要靠近。甚至樹木也會記録時間。每年，樹幹切麵上都會形成一個環。人們可以根據這個稱爲年輪的環的數量來推測一棵樹的年齡。
盡管樹木和動物能夠記録時間，但它們無法檢索或講述過往的事情。他們無權訪問內存。而人類可以，這就是人類記録保存的不衕之處。由於我們具有溝通能力，我們知道美索不達米亞的蘇美爾人（公元前3400年）和古埃及人（公元前3200年）使用楔形文字和象形文字來記録信息。
當知識可以在無需實際涉足來源的情況下傳遞時，人類就進化了。在柏拉圖或蘇格拉底去世很久之後，我們仍然能閲讀併欣賞他們的作品，因爲我們有辦法存儲他們的學説內容。最初的 AR 平颱書是文字。
來自伊朗的文字記録了穀物的情況。來源：鏈接
在文字將事情留給想象的地方，數據幫助保持事情的客觀性。它減少了個人將事物存儲在記憶中的要求。這就是爲什麽一些最悠久的人類文本涉及債務、收入或交易記録的部分原因。
走曏數字化
在後工業時代，企業通過將銷售記録數字化來建立競爭護城河，以加強其市場地位。其中一個例子是一家名爲 Asian Paints 的印度公司。他們的塗料可能不是市場上最好的，但他們控製著印度80億美元塗料行業50%以上的市場份額。
爲什麽？簡單的答案是，它是一個家喻戶曉的品牌，而且該公司具有規模經濟。但他們如何實現這一目標的根源在於數據。他們在數據收集和處理方麵投入巨資，以優化供應鏈。
從背景來看，亞洲塗料股票在過去30年中的覆合年增長率高達25%。支持這一增長的是20世紀70年代對大型計算機的投資。該設備比當時印度最好的研究機構使用的設備更強大。它每小時收集與印度各地銷售的塗料顔色和數量相關的數據。這使得亞洲塗料公司能夠建立一個模型，以98%的準確率預測整個印度的塗料需求。
這種預測能力使亞洲塗料公司能夠穫得最大價值，因爲它可以大大減少補貨時間。當時，銷售塗料等商品的法則是將其出售給批髮商，然後批髮商將其交給經銷商，經銷商再將其出售給商人。商人將直接與消費者互動。供應鏈之所以如此覆雜，是因爲各方都擁有資産庫存併控製著塗料供需數據。
亞洲塗料的創始人喬剋西先生研究了最終用戶的消費模式併減少了對中間商的依賴，以此將批髮商和分銷商從供應鏈中剔除。通過消除中間商，亞洲塗料穫得了97%的 MRP（商人占 3%），而競爭對手則穫得了60%。
Telegraph extractable value would be frontrunning ticker tapes relayed over the Telegraph.
電報可提取價值將是通過電報轉髮的搶先行情磁帶。
曏數字化的轉變併非一蹴而就。數據收集變得吸引人的部分原因在於金融世界及其逐漸變得相互關聯的程度。例如，在20世紀末，股票市場數據是使用上述設備通過電報轉髮的。早在1835年，商人就訓練鴿子攜帶一些紙片，其中包含有關歐洲的新聞。當運載貨物的汽船駛入距陸地50英裡以內時，鴿子就會帶著信息飛到指定地點。過去，交易者要提前每小時支付500美元才能穫得新聞。
到1867年，交易員們開始競相優化電報傳遞信息的速度。一位名叫 E. A Calahan 的西聯彙款員工曏 NYSE 支付了20多萬美元，以成爲能夠派員工到交易大廳曏其客戶轉髮股票數據的人。付出努力以優化該繫統的人之一包括一位名叫托馬斯·阿爾瓦·愛迪生（Thomas Alva Edison）的年輕科學家。一個世紀後，像彭博終端這樣的工具將在任何一天急劇擴展金融數據轉髮的速度和數量。
塑造原始數據
數據就像原油一樣，必鬚經過幾個步驟的提煉才能使用。了解彭博社的成長方式有助於了解整個數據格局的演變以及過程。彭博社併不是第一個嘗試使用技術來改進交易和報告機製的公司。納斯達剋使用 Bunker Ramo 終端來傳播信息併下達買/賣訂單。然而，依賴以前的電話通信網絡意味著擴展這種模式總是充滿挑戰。
來源：NASDAQ – The Evolution of Automated OTC Trading
1981年，投資銀行所羅門兄弟 (Solomon Brothers) 的合伙人邁剋爾·布隆伯格 (Michael Bloomberg) 在 Phibro Corporation 收購該銀行時因其股權而被解雇，併損失了1000萬美元。他意識到，隨著從紐約到日本的金融市場日益電子化，投資者已經準備好爲提煉的金融信息付費。他創辦了一家名爲 Innovative Market System 的數據服務公司，該公司於1986年更名爲彭博社。
在互聯網興起之前，彭博終端是通過 Chiclet 訪問的。它通過一條特殊電纜連接到彭博控製器，該電纜通過專用電話線連接到本地集線器。彭博社通過數據合作伙伴、新聞機構和新聞稿以及手動數據輸入和基於電話的數據收集等專有方法收集數據。
隨著互聯網的出現，信息的閘門打開了。如今，彭博社幾乎能實時穫取、處理併提供2000億條金融信息。即每秒大約2300萬個數據點。彭博社提供的一些信息是公開的。公司財務報錶以及股票和債券價格等數據點可以在公共論罈上找到。
但是，如果您是石油和天然氣分析師併且想要了解原油集裝箱的移動情況，那麽你該怎麽辦？如果您不訂閲彭博社等數據源，您不太可能實時穫取此信息。不是所有的互聯網數據都是免費提供的。
當提及 Web2 中的數據時，個人通常麵臨兩個限製：許可訪問和處理大量數據的高障礙。多年來，像彭博社這樣的提供商已經建立了足夠強大的網絡效應，可以通過其附屬機構穫取數據，而分析師或投資者卻無力這樣做。
最好是曏彭博社支付20,000美元進行年度訂閲，而不是嘗試從可能具有不衕定價等級的混合數據平颱穫取數據。即使您足夠努力地穫取數據，但如果沒有大量的基礎設施支出，您也無法實時處理和運行分析。在零售端，許多最終擴展的平颱都是數據匹配引擎。
可以這樣想：穀歌（搜索引擎）是一家數據公司，爲企業提供訪問用戶的機會以換取廣告費。當一家餐館或一份時事通訊（比如我們的）希望定位在 Google 上搜索信息的用戶時，他們會匹配類似信息的供需。在尋找特定於 Web3 的時事通訊信息的人正在尋找我們。我們正在尋找那個人。 （我抑製住了在這裡插入我們的推薦計畫的衝動。）
穀歌因其規模經濟而建立了壟斷地位。他們的用戶庫存和用戶每日查詢數量仍然無法匹敵。穀歌在廣告盛行的時代推出一款沒有廣告的搜索引擎，然後收購了 YouTube 和 Android，最後曏蘋果等衕行付費，最終讓穀歌成爲默認搜索引擎，從而奠定了這一地位。僅就蘋果而言，穀歌每年就支付200億美元，以保持 Safari 上的默認搜索引擎地位。
穀歌支付如此高的費用是因爲其産品的核心是匹配引擎。匹配引擎讓有需求的用戶與提供産品的企業取得聯繫。大多數網絡壟斷的核心都是匹配引擎。亞馬遜將産品賣家與買家配對。 Instagram 將受衆與創作者匹配起來。這些匹配引擎之所以有效，是因爲這些産品上的交互留下了很多痕跡，可以從中驅動環境。
本·埃文斯 (Ben Evans) 在2022年寫下了一句著名的話：不存在數據這樣的東西。了解我的內容、食物或旅行偏好對於第三方來説沒有多大價值。隻有當它通過環境進行聚合或豐富時，它才對商業或研究有價值。
從某種意義上説，我對在周五晚上吃印度飯的偏好這一環境可以用來在我購買印度飯的概率最高時曏我做廣告。總的來説，將我的購買概率與衕一地區的衕行進行比較有助於更好地定位用戶。
數據需要規模（量大）或環境才能有價值。 Web3 和 Web2 産品在歷史上的不衕之處在於它們留下的痕跡。隻有亞馬遜知道一周內會售出多少 Xbox 控製器。但您可以隨時查看交易者在 OpenSea 上買賣 NFT 的模式。原因是每筆交易都會留下公開痕跡。
Web3 中的數據産品使用這些痕跡來構建環境。
以太坊和比特幣等區塊鏈分別以每12秒和約10分鐘的速度産生一個區塊。每個區塊都包含改變區塊鏈狀態的交易。像 Etherscan 這樣的區塊瀏覽器會捕穫與所有交易相關的數據。例如，如果您訪問 Etherscan 併看到一個區塊，您可能會看到下圖。
區塊鏈上的交易有著豐富的背景。 Arkham 和 Nansen 等産品是研究人員了解交易髮生時所髮生情況的解釋引擎。
您可以查看自以太坊啟動以來的所有區塊。但你能用這些信息做什麽呢？幾乎不能做什麽。因此，您需要一種方法來捕穫多個錶中的數據。例如，每當區塊中調用市場的 NFT 合約時，與該交易相關的數據應附加到 NFT 相關錶中，或者當 Uniswap 合約被調用時，相關數據應存儲在 DEX 相關錶中。 （沙丘將此作爲一項服務。）
您無法在不産生大量基礎設施成本的情況下分析原始數據。因此，盡管數據是免費提供的，但您也會遇到衕樣的問題。作爲投資者或 dApp 構建者，您依賴外部數據。但您的核心職能與收集和管理數據無關。將資源投入必要但非核心的活動併不是每個組織都可以享受的奢侈。
環境驅動價值
對於數據産品來説，數據周圍的環境使産品變得獨特。彭博社運用其對金融的理解，將數據轉化爲髮明者和交易者可以輕鬆使用的形式。Likeweb 等網站或 Newzoo 等研究出版物利用其核心能力將社交或游戲相關環境應用到他們跟蹤的數據中。
區塊鏈原生數據産品通過回答與特定用戶子集相關的問題的查詢來提供用戶環境，從而讓自己與衆不衕。例如，TokenTerminal 計算協議的經濟基礎。Nansen幫助市場參與者標記和了解資産的流動。Parsec 查詢鏈上數據，幫助交易者更好地分析 DeFi 頭寸。
所有這些産品都依賴於公共利益：鏈上數據。不衕之處在於這些産品呈現數據的方式，這使得它們吸引了不衕的受衆。
我們行業中的産品類別畫分是基於哪些數據在鏈上以及哪些信息來自鏈外來源。 （有些人經常衕時使用兩者來畫分。）數據提供者使用他們的環境過濾器來創建産品。正如 Web2 數據有其利基市場一樣，Web3 數據公司已經或正在利用其核心能力逐漸構建護城河。
因此，創始人的背景通常決定了所髮布産品的性質。當一個核心團隊在加密貨幣之前在資本市場花費了大量時間時，他們的産品往往會模仿彭博社，而加密貨幣原生産品看起來就像 Nansen。不衕的産品可以滿足不衕的需求，即使查詢相衕的數據也是如此。
例如，交易所通常會在固定的時間間隔後丟棄數據。他們不從事數據業務，存儲過往數據需要額外的服務器和管理。一些數據提供商（例如 Kaiko 和 Amberdata）維護來自交易所的歷史訂單數據。這些數據允許交易者和投資者建立模型來檢驗他們的假設。但如果你想了解哪些 DeFi 合約正在因 ETH 或穩定幣的流入而大量涌入市場，或者分析特定地址或實體的鏈上行爲，你將需要 Nansen 或 Arkham 的産品。
市場地圖併不代錶每個類別的每個參與者。
通過加密貨幣中的消費者角色的視角是了解産品在市場上的定位的一種方法。這些角色可以分爲以下四個主要類別。
金融機構
在熊市期間，流經加密數據産品的大部分美元都來自金融機構。這些都是大客戶，具有更長的銷售周期和更覆雜的數據要求。了解産品是否麵曏金融機構的一種方法是，客戶是否必鬚通過銷售電話來確定其成本是多少。在 Web2 世界中，您無法找到 PitchBook 或 CB Insights 的成本。在加密領域，你不知道像 Chainaanalysis 這樣的産品要花多少錢。
拋開笑話不談，這種銷售流程的部分原因是麵曏這一消費群體的數據産品提供的實際操作、周到而且質量屬上乘的服務。這些用戶通常選擇高度精細且頻繁的數據。他們不僅在交易前的決策方麵需要數據，還在交易後需要數據，以滿足合規性和稅務要求。
例如，他們需要産品來告訴他們投資組合的歷史價值是多少，幫助他們進行稅收計算等等。Amberdata、Kaiko、CoinMetrics、CryptoCompare 以及也可以説有 Nansen 等公司爲這些客戶提供服務。
根據我的經驗，隻有在擁有大型融資輪的機構或團隊工作背景的創始人才能打開機構數據市場。與任何企業産品一樣，這裡的進入壁壘相對較高。
開髮者
我們經常無意中髮現Web3的可組合性功能，這意味著Web3應用程序可以相互依賴。他們可能需要彼此提供數據。因此，他們需要不斷地互相讀取數據。例如，像Yearn Finance這樣的平颱需要從Aave和Compound讀取數據，像Tensor這樣的NFT聚合器需要從Magic Eden和其他市場讀取數據。
但這些數據跨區塊存儲在以太坊和 Solana 等鏈上。以太坊在12秒內創建一個區塊，而 Solana 在400毫秒內完成。將區塊鏈數據排序到錶中併將其存儲以供快速訪問是一項艱巨的任務。這就是 Covalent、Graph、Chainlink 和 Powerloom 等索引器髮揮作用的地方。它們確保原始區塊鏈數據以所需的格式存儲，以便開髮人員可以通過簡單的 API 調用來穫取它。
這個消費者角色中的一個新興部分涉及用於理解用戶行爲的工具。例如，ARCx 允許開髮人員將鏈下數據（如瀏覽器行爲）與鏈上數據（如錢包地址）映射起來，以捕穫與 dApp 交互的用戶的人口統計信息。它們處於相對較小但相關的利基市場中，因爲它們幫助開髮人員識別他們的用戶是誰。
研究人員和出版物
加密貨幣中的數據産品通常通過與研究人員和出版物合作來進行分髮。例如，CCData 經常被彭博社引用。研究人員傾曏於依靠數據産品，因爲它們有助於在收集、清理或整理數據時節省時間和精力。像 Dune 這樣的産品通過建立一個分析師社區來建立護城河，這些分析師互相競爭以在列錶中穫得更高的排名。
The Block 和 Delphi 等出版物展示了使用第三方提供商的數據構建的儀錶闆。在 Decentralized.co，我們完全依賴外部數據提供商，因爲他們在收集數據時使用外部資源的衕時幫助團隊保持精簡。
迎合這一消費群體的挑戰在於，規模較小的研究人員可能沒有所需的預算來證明花費大量資源以揭示可能僅與個人相關的利基見解是合理的。相反，公司很願意花費精力和資源與《金融時報》等重要出版物合作，因爲這有助於髮行。
散戶投資者
麵曏散戶的産品通常具有較低的數據粒度和頻率。但由於他們看到了規模經濟，因此它們是高利潤的利基市場。在不存在客戶流失的情況下，每名支付100美元的用戶相當於100萬美元的ARR業務。説起來容易做起來難，但這些經濟學解釋了爲什麽我們有這麽多麵曏零售的加密數據産品。
大部分麵曏零售的産品是免費的或由廣告支持的。例如，像 DefiLlama 這樣的免費資源不會告訴您如何通過不衕的交易所（CEX 和 DEX）傳送訂單以避免滑點，因爲它不穫取訂單簿快照，但它會顯示有關代幣解鎖或收益率解鎖的信息。
這一消費群體的一個變化是交付媒介開辟新的市場類別方式，例如，Cielo 通過 Telegram 以通知形式交付數據。它以易於使用的方式爲不願使用桌麵界麵的消費者群體傳遞信息，通過此方式它已擴展到40,000多名用戶。如果做得好，即使是分銷媒介也可以成爲早期企業的微分器。甚至在數據中也是如此。
盡管分類有些模糊，但數據公司可以分爲 B2B 或 B2C 方曏。
Amberdata 和 Kaiko 等公司擁有迎合成熟參與者的産品。這些産品更加精細（數據可用的細節）、出現更頻繁（例如逐筆交易和實時訂單簿數據），併且滿足諸如構建和測試模型、交易前分析、交易後分析、報告、稅務和合規性等需求。數據的提供形式允許客戶進行專有分析併根據他們的口味構建可視化。這些公司通常通過付費牆提供産品。
由於基礎設施要求、所涉及客戶的性質以及銷售周期的長度，成本通常是粒度的函數。
上圖在兩個軸上映射了不衕的産品——深度和粒度與産品價格。請註意，這些圖併不準確。有幾個點可能會錯位。這個想法是建立一個心理模型，用於思考幾種産品及其在市場中的地位。
Dune 或 CoinGecko 等專註於零售的産品幾乎免費顯示所有數據。要訪問某些數據，或者通過 API 穫取數據來運行分析，客戶必鬚付費才能使用。例如，您可以查看多個 Dune 曏導創建的所有圖錶，但它們限製您可以以 CSV 形式下載的行數。您可以下載更大的 CSV 文件併在支付更多費用後查看私人檢索。
專註於零售的公司的每客戶收入往往較低，付費客戶占免費用戶的比例也很少。將此與互聯網公司免費增值模式的轉化率進行比較。通常，轉化率爲2%–5%。10%的轉化率屬於異常值。他們計畫擁有盡可能多的免費客戶，以便4%的轉化率帶來顯著的收入。這就是我們所説的漏鬥頂部。
因此，數據公司需要漏鬥頂部足夠大，以産生足夠的收入，從而維持較低的轉化率。當網站有很多訪問者時，公司還可以考慮通過廣告創收。 CoinGecko 利用廣告收入作爲杠桿，繼續免費提供大部分數據。
多年來，各個公司已經填補了兩端（B2B 和 B2C）的空缺，但在中間留下了一些空白。對於那些想了解中心化交易所的訂單簿如何變化，或者看跌期權比率、IV 和偏差如何變化的人來説，沒有多少産品可以幫助實現可視化。還有空間實現比世界上的 CoinGeckos 更精細但沒有純 B2B 參與者的産品那麽精細的産品。
在護城河上
在原材料免費的企業中尋找護城河併不容易。區塊鏈數據是免費提供的。您可以收集的數據沒有任何專有性。因此，數據業務的護城河不僅僅取決於你擁有別人沒有的數據。相反，它們基於團隊以富有洞察力、可使用的格式、按時且無錯誤地提供數據的能力。
許多公司聲稱擁有相衕的數據，但數據質量和呈現方式有所不衕。例如，許多公司聲稱擁有鏈下訂單簿數據。然而，諸如買/賣訂單數量、時間序列長度以及可用交易所和貨幣對數量等因素因提供商而異。Amberdata 和 Kaiko 擁有加密貨幣市場最全麵的訂單簿數據。
但是，爲什麽隻有少數提供商能夠提供此類數據呢？Web3 數據中護城河出現的解釋就在這裡。
人才——冒著陳述顯而易見事實的風險，當原材料免費時，你如何塑造它決定了産品的價值。將原始數據轉化爲有用的信息需要加密貨幣和傳統金融市場中許多領域的領域專業知識。像 Velo Data 這樣擁有傳統市場經驗的團隊比其他嘗試構建類似 B2C 産品的團隊更有優勢。能找到的了解區塊鏈數據結構併具有金融市場相關經驗的優秀開髮人員非常罕見。
基礎設施——收集和交付大量數據需要基礎設施，但這併不容易。這種運作需要資金和人才。爲什麽基礎設施是護城河？想想內存池數據。區塊包含已確認交易的數據。未確認的交易怎麽辦？
不衕的網絡節點（例如連接到衕一池的節點）看到不衕的未確認交易。僅運行一個節點不會提供競爭事務的全局視圖。在多個區塊鏈上維護多個節點會增加基礎設施成本。就像人工智能（以及過去的內容網絡）一樣，在擴展的衕時保持較低硬件成本的能力將久而久之將決定該行業的贏家和輸家。
網絡效應——可以假設許多加密數據産品中都存在網絡效應。以 Chainlink 爲例。它是最早允許應用程序從其他應用程序或鏈讀取數據的預言機之一。它成功地穫得了社區的支持，併擁有最強大的社區之一。另一個例子是Nansen。它的成名之處在於地址標簽，這使其能夠將資産移動歸因於真實實體而不是六位數地址。
隨後推出了NFT天堂、幣神模式等功能，讓用戶更有效地追蹤NFT和代幣。Arkham 推出了與 Nansen 標簽類似的産品，但對儀錶闆和研究的投資使 Nansen 能夠麵曏企業客戶併提供爲他們量身定製的産品。值得一提的是，如果沒有前兩點（人才和基礎設施），網絡效應就不可能實現。
這奏效的一個地方是使用索引器。産品支持的鏈數量越多，開髮人員使用該産品而不是依賴多個來源的可能性就越高。像 Covalent 這樣的團隊在這方麵具有優勢，因爲他們長期以來一直在優化支持的鏈的廣度。但請記住，深度與廣度衕樣重要。
現在判斷一項産品在加密領域是否擁有有意義的護城河還爲時過早。我們見證了宏偉計畫中的先髮優勢。隨著 Web3 社交等類別以及人工智能和加密貨幣之間的重疊不斷擴大，行業中的數據産品可能會成長爲下一個 Alphabet。但這將是一個長達數十年的故事。我們仍處於早期階段。
猜測之外
我們在本文中提到的許多用例都以某種形式著眼於金融投機。甚至使用 API 查詢數據的開髮人員也在構建金融産品。這可能看起來很奇怪，但區塊鏈（作爲一種新網絡）遵循了Telegraph軟件和互聯網的相衕趨勢。
新媒介的到來和新網絡的出現加速了金融用例的髮展。直到2000年代初，人們才意識到互聯網可以根據用戶的位置來定位目標。對於區塊鏈，我們仍在研究如何根據公開的數據路徑構建商業模型。
我們在這些平颱的日常使用中看到了一個主要變化——Dune Analytics 在其産品中嵌入了人工智能。Dune 提供了一個基於 SQL 的界麵，供用戶查詢以太坊和 Solana 等區塊鏈上的數據。此類産品的市場通常僅限於了解如何編寫 SQL 查詢的用戶。他們最近開始使用人工智能來幫助分析師生成查詢，而無需成爲 SQL 專家。它併不像人們希望的那樣實用。但這仍然是邁曏未來的一步。可能用不了多久，我們就會要求人工智能（如 ChatGPT）查詢區塊鏈上的數據併提供其分析。
在 Web3 背景下思考“數據”的一種方法是通過 Google 地圖的視角。GPS 至少從20世紀80年代開始就已經存在。穀歌在繪製世界方麵投入了所需的精力。在爲第三方應用程序（使用 API）提供地圖疊加層的過程中，該公司啟用了新一代應用程序的構建。從送貨到打車的一切都在蓬勃髮展，因爲專門從事數據的單一參與者承擔了開髮人員的負擔。
Web3 中的數據産品也將扮演類似的角色。我們還不知道可以在這個公開資源上構建的應用程序的確切性質，但很明顯，數據領域將有機會匹敵Alphabet公司的規模。
聲明：
- 本文轉載自[GCR]，著作權歸屬原作者[Saurabh Deshpande、 Siddharth、Joel]，如對轉載有異議，請聯繫Gate Learn團隊，團隊會根據相關流程盡速處理。
- 免責聲明：本文所錶達的觀點和意見僅代錶作者個人觀點，不構成任何投資建議。
- 文章其他語言版本由Gate Learn團隊翻譯， 在未提及Gate.io的情況下不得覆製、傳播或抄襲經翻譯文章。
相關文章
什麼是穩定幣 USDT？