猎豹加速大数据布局 新CTO架构全球研发

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

“数据很大程度上最终决定公司的长期价值。”刚刚履新猎豹移动CTO范承工2月29日首次亮相,阐述其对大数据的理解。

范承工是分布式系统、云服务基础设施以及大数据领域的专家,猎豹移动宣布其加入时,公司的股价上涨了超过10%。2015年以来,猎豹移动加速大数据布局,按照猎豹移动CEO傅盛提出的战略,以大数据为高地进行产品的研发。

大数据深入产品研发

“大数据的理念,比起五年前是更加的深入和植入普通人的认知。”范承工认为,数据很大程度上最终决定公司的长期价值,甚至超过流量、业务收入,最终衡量公司的价值在于拥有数据的质量和数量以及数据的利用技术。

目前,互联网巨头从谷歌、Facebook、亚马逊等无一例外的在数据积累、挖掘利用上倾注了大量的投入,据悉,Facebook的创始人扎克伯格在2009年就艺术大数据是未来,在底层价格上就开始云计算布局,而国内大数据、云计算布局在2013年开开始。

“在大数据前端产品上中美差距不到,但是在底层架构上还需要加强。”范承工指出,未来随着移动互联网的发展,中美互联网公司的大数据发展将趋同。

猎豹也全面加速在大数据及移动广告领域的布局,猎豹在2015年发布了自己构建的全球移动广告平台“猎户”,帮助广告客户更加精准地在我们的平台上定向、重定向目标受众。此外,我们还开发了一些工具来帮助广告客户测试、测量、改善广告投放。据悉,猎豹已经可以通过100多余种用户属性,10万余个关键词来给用户画像。

据悉,2015年猎豹在大数据分析方面取得了长足的进步。但是,仍然还有很多提升的空间。按照猎豹移动CEO傅盛提出的战略,以大数据为高地进行产品的研发。

范承工加入猎豹的重要任务之一便是完善大数据布局。加盟后会主要负责公司的全球研发业务,重点是大数据战略的布局。未来将常驻硅谷办公室,带领团队拓展猎豹移动在美国的市场与影响力,将硅谷建设成为继北京之后的全球第二总部。

全球配置人才

范承工介绍,猎豹已在北京建立了大数据平台以及广告平台的团队,人员来自百度、雅虎的北研团队,但是猎豹超过70%的用户来自海外,公司还将在美国建立的研发中心。

2014年猎豹移动成立了第一个美国办公室,截至目前已经在美国的旧金山、硅谷和纽约三地建立了办公室,并拥有约50名员工。当时美国办公室更多的是负责广告销售,但是范承工的加入则是为猎豹搭建美国的研发中心。

猎豹移动将在美国硅谷建立大型的研发中心,与其他研发中心的工程师一起践行大数据战略。这一举措将帮助猎豹移动吸引更多的全球人才加入,更好地服务全球用户。猎豹移动目前在全球范围雇佣了超过1400名研发人员。

同时公司通过在全球的收购与投资布局,人才储备,与海外团队的核心技术合作等方式,推进大数据战略。

2014年6月,猎豹收购了移动广告平台香港品众互动;2015年3月16日,宣布以5800万美元收购全球移动营销公司MobPartner;3月26日,又宣布领投全球领先社交移动广告软件提供商Nanigans B轮融资,并与其达成战略合作伙伴关系。

在数据积累上还需要进一步提升,数据也需要深地植入于各个产品经理的心中。据悉,除了进行产品创新布局和用户推广外,猎豹移动也在通过加强战略合作,积极采取投资并购策略,以及加大在大数据应用、广告形式创新和广告平台搭建方面的投入来布局商业化。

本文转自d1net(转载)

相关实践学习
基于MaxCompute的热门话题分析
Apsara Clouder大数据专项技能认证配套课程:基于MaxCompute的热门话题分析
相关文章
|
3月前
|
SQL 前端开发 关系型数据库
如何开发一套研发项目管理系统?(附架构图+流程图+代码参考)
研发项目管理系统助力企业实现需求、缺陷与变更的全流程管理,支持看板可视化、数据化决策与成本优化。系统以MVP模式快速上线,核心功能包括需求看板、缺陷闭环、自动日报及关键指标分析,助力中小企业提升交付效率与协作质量。
|
4月前
|
存储 人工智能 前端开发
从需求到研发全自动:如何基于Multi-Agent架构打造AI前端工程师
本文深入阐述了蚂蚁消金前端团队打造的Multi-Agent智能体平台——“天工万象”的技术实践与核心思考。
1138 21
从需求到研发全自动:如何基于Multi-Agent架构打造AI前端工程师
|
4月前
|
人工智能 监控 前端开发
支付宝 AI 出行助手高效研发指南:4 人团队的架构迁移与提效实战
支付宝「AI 出行助手」是一款集成公交、地铁、火车票、机票、打车等多项功能的智能出行产品。
668 21
支付宝 AI 出行助手高效研发指南:4 人团队的架构迁移与提效实战
|
5月前
|
存储 SQL 监控
数据中台架构解析:湖仓一体的实战设计
在数据量激增的数字化时代,企业面临数据分散、使用效率低等问题。数据中台作为统一管理与应用数据的核心平台,结合湖仓一体架构,打通数据壁垒,实现高效流转与分析。本文详解湖仓一体的设计与落地实践,助力企业构建统一、灵活的数据底座,驱动业务决策与创新。
|
7月前
|
负载均衡 算法 关系型数据库
大数据大厂之MySQL数据库课程设计:揭秘MySQL集群架构负载均衡核心算法:从理论到Java代码实战,让你的数据库性能飙升!
本文聚焦 MySQL 集群架构中的负载均衡算法,阐述其重要性。详细介绍轮询、加权轮询、最少连接、加权最少连接、随机、源地址哈希等常用算法,分析各自优缺点及适用场景。并提供 Java 语言代码实现示例,助力直观理解。文章结构清晰,语言通俗易懂,对理解和应用负载均衡算法具有实用价值和参考价值。
大数据大厂之MySQL数据库课程设计:揭秘MySQL集群架构负载均衡核心算法:从理论到Java代码实战,让你的数据库性能飙升!
|
6月前
|
存储 SQL 分布式计算
19章构建企业级大数据平台:从架构设计到数据治理的完整链路
开源社区: 贡献者路径:从提交Issue到成为Committer 会议演讲:通过DataWorks Summit提升影响力 标准制定: 白皮书撰写:通过DAMA数据治理框架认证 专利布局:通过架构设计专利构建技术壁垒
|
3月前
|
存储 分布式计算 资源调度
【赵渝强老师】阿里云大数据MaxCompute的体系架构
阿里云MaxCompute是快速、全托管的EB级数据仓库解决方案,适用于离线计算场景。它由计算与存储层、逻辑层、接入层和客户端四部分组成,支持多种计算任务的统一调度与管理。
303 1
|
3月前
|
前端开发 NoSQL 关系型数据库
如何开发研发项目管理中的需求管理板块?(附架构图+流程图+代码参考)
本文探讨了中小企业在研发或产品工作中常见的需求管理问题,如需求记录混乱、交付靠口头约定、变更无追踪等。通过系统化的需求管理,可实现“谁在做什么、为什么做、何时完成、谁验收”的可视化与责任归属,减少沟通成本,提升效率。文章详细介绍了需求管理的核心功能模块(如需求看板、处理流程、研发日报)、系统架构设计、前后端实现参考、开发技巧与落地建议,以及上线后的运营指标与实施路线图。最终目标是将松散的流程规范化、可追踪、可复用,助力企业构建高效的研发项目管理体系。
|
3月前
|
监控 前端开发 BI
如何开发研发项目管理中的缺陷管理板块?(附架构图+流程图+代码参考)
本文介绍了如何构建一个系统化的缺陷管理模块,以解决中小企业在缺陷管理上的混乱现状。通过建立“发现—修复—验证—关闭”的闭环流程,实现缺陷的可视化、可追溯和可统计管理,从而降低退货率、客户投诉与运维成本。内容涵盖缺陷管理功能详解、业务流程、数据模型设计、后端与前端参考代码、开发技巧与落地建议、上线后的指标与运营建议,以及从 MVP 到生产的实施路线。目标是让每个缺陷都有归属、状态清晰,并能通过看板快速识别阻塞点与风险,提升团队协作效率与产品质量。
|
4月前
|
SQL 存储 监控
流处理 or 批处理?大数据架构还需要流批一体吗?
简介:流处理与批处理曾是实时监控与深度分析的两大支柱,但二者在数据、代码与资源上的割裂,导致维护成本高、效率低。随着业务对数据实时性与深度分析的双重需求提升,传统架构难以为继,流批一体应运而生。它旨在通过逻辑、存储与资源的统一,实现一套系统、一套代码同时支持实时与离线处理,提升效率与一致性,成为未来大数据架构的发展方向。