2025年另类数据与传统市场数据的未来研究报告-Neudata

Neudata。另类数据与市场数据的未来2025目录9数据买方的痛点10数据试用的情况11投资者的购买情况12热门的数据类型12数据的适用性13人工智能15结论3报告的重点发现数据市场持续增长。Neudata发布《另类数据与市场数据的未来2025》报告，为我们展示了一个充满活力的数据生态系统：预算不断提高、市场参与者多样化、卖方对数据集的兴趣也发生了转变。·另类数据采购预算持续乐观：数据买方普遍看好未来预算增长态势，89%的受访者预计预算将增加或保持不变。同时，与过去12个月相比，大多数数据供应商也对投资行业的市场前景持积极态度·市场数据方向支出更趋稳定：作为更成熟的领域，大多数买家预计支出将保持不变，仅少数受访者预期可能会减少；这凸显了传统市场数据的价值·宏观环境变化推动需求转变：全球经济不确定性持续提高，人工智能快速崛起，买方对信息技术与部分消费类数据需求最旺·人工智能应用快速普及：为提升内部效率，数据买方使用人工智能工具的比例在过去一年几乎翻倍，人工智能已融入数据处理与分析工作全流程。受访者分布在2025年6月至8月的调研中，我们一共收到了171份问卷反馈，涵盖数据买卖双方。来自多种投资策略的67位数据买方完成了调查，其中量化基金占比最高，其次是主观基金。67位数据买家完成了此次调查，代表了各种不同的投资策略。量化投资占据了受访者中的最大份额，其次是非限定性基金。·量化基金：57%·主观基金：33%·多策略基金：18%·宏观基金：13%·信用基金：9%·私募/风投：7%·咨询公司/企业：3%·资产配置：1%·其他：4%104位数据供应商也参与了调查。大多数(53%)是业内“老兵”,在数据销售行业工作7年以上；但其他不同资历的供应商也有参与，包括一些尚未开始向投资领域销售数据的公司代表。·85%:正在积极向投资领域销售数据·12%:计划在今年开始向投资领域销售数据·4%:今年不打算向投资领域销售数据·54%:向投资领域销售另类数据·8%:向投资领域销售传统市场数据·6%:销售的数据类型二者兼有从地域分布上看，我们收到了来自世界各地数据从受访者地理分布■欧洲(不包括英国)■亚太(不包括中国和日本)■非洲与中东45Neudata。大多数受访者来自北美，但也有相当一部分受访者来自中国和欧购买数据的预算呈乐观态势另类数据对未来一年中购买另类数据的预算变化，大多数投资行业的买方表现出乐观态度，约89%的受访者称预计相关预算会增加或保持不变。2025年至2026年间，您预计您的另类数据预算将如何变化?显著增加(增加15%以上)略有增加(增加1-15%)持平略有减少(减少1-15%)显著减少(减少15%以上)这一比例与去年类似，但比2024年的95%略低。当时买家预测2025年的预算会增加或保持不变。事实证明，这一预测相当准确：今年，92%的受访者表示，2024至2025年间他们的另类数据预算确实有所增加或保持不变。传统市场数据与另类数据相比，传统市场数据预算的增长似乎较为少见，55%的受访者表示他们的市场数据预算在过去一年保持不变。30%的受访者预计预算可能小幅增加(1-15%),12%的受访者则预计预算会显著增加(超过15%)。几乎没有买家预测市场数据预算会降低，过去一年，只有2%的人表示预算降低。这可能表明传统市场数据市场比另类数据市场更稳定，因为市场数据的定价和采购的灵活性更低、变化更小。大多数买家预计传统市场数据的支出习惯每年都不会发生太大变化。6展望明年，市场数据预算似乎与今年类似。48%的买家表示2026年的市场数据预算将保持大致相同，34%的受访者认为会小幅增加，仅7%的受访者表示会减少预算。这再次表明市场数据预算的稳定性，以及出现小幅增长的预期。6G6G48%的买家表示2026年的市场数据预算将保持大致相同.为了解公司层面市场数据预算的长期趋势，我们分析了其随时间的变化。结果显示，市场数据预算在公司内部大多呈现出持续一致的模式：例如，2024至2025年间削减预算的基金，普遍预计其预算在2026年还将进一步下调，降幅超过15%。在预算保持稳定的受访者中，79%预计2026年的预算基本保持不变，约16%则认为会小幅增加。同样，2024至2025年间增加预算的受访者，大多预计2026年的预算将继续增长。但在那些预算仅小幅上升的基金中，仍有20%预期2026年预算会出现小幅下降或保持不变。2025年至2026年间，您预计您的传统市场数据预算将如何变化?(增加1-15%)(减少1-15%)Neudata。与买方类似，数据供应商的预期同样积极，普遍认为未来买方购买数据的支出将持续增长。与过去12个月相比，大多数供应商对未来一年的投资垂直市场销售前景持乐观态度：57%预计未来12个月业绩将更强劲，32%预计2026年与2025年大致相同，仅有12%认为市场环境会趋紧。在客户数量方面，大多数供应商表示今年有所增长。其中，53%表示客户数量多于去年，其余大多表示保持不变。不过，投资管理行业新增客户比例的变化可能正在减小——在2024年的调查中，71%的供应商表示其2023年客户数增加，而今年这一比例已显著下降。平均来看，数据买方每年购买19个另类数据集。但不同受访者的回答差异很大，这一数字从0到200不等。按基金类型细分，宏观基金购买的数据集最多，其次是主观基金。咨询公司和资产配置机构的平均购买量最少。所以，衡量基金购买另类数据集数量的最佳指标或许是其为购买这些数据集预留的预算。Neudata发现，这比任何其他因素都更能反应数据集采购的数量。随着预算的增加，购买数据集的平均数量也会提高。另类数据预算低于25万美元的基金平均会购买两个另类数据集，而预算在510万至1000万美元之间的基金平均采购30个另类数据集。总体而言，回顾2024年，我们样本中数据买方每年的另类数据支出预算分布相当均匀，但预算较少的受访者更多。24%的受访者表示每年在另类数据上的支出低于25万美元。只有10%的受访者支出在510万至1000万美元之间。在我们的调研中，没有出现支出超过1000万美元的受访者。2024年，您在传统市场数据上的平均支出是多少美元?77Neudata。8这些结果体现了另类数据市场的多样性——无论预算充足还是有限，买方都在都积极投资另类数据。总体来看，今年的情况与去年相似：投资管理公司数据供应商的数量并未出现明显的增加或减少。2024年，买家平均每年采购20个数据集；今年是19个，基本保持稳定。此外，去年受访者的相关预算较低，今年依然如此。整体而言，预算水平仍是影响买家另类数据购买习惯的最关键因素。传统市场数据数据显示，平均而言，数据买方每年购买30个市场数据集，但每家公司购买的数量差异明显，从0到400个不等。在各类基金中，宏观基金购买数量最多最高，平均112个；多策略基金以38个位居第二；量化基金紧随其后，平均采购34个传统市场数据集。预算依然是决定买方购买数量的关键因素：预算低于25万美元的基金平均仅购买5个市场数据集，预算超过1000万美元的基金平均购买207个。在相关支出的变化趋势上，市场数据与另类数据表现出相似格局。2024年，30%的受访者预计其市场数据预算低于25万美元；随着预算水平升高，受访者比例逐级下降，仅7%的受访者预计预算超过1000万美元。2024年，您在传统市场数据上的平均支出是多少美元?9在考虑购买新数据集时，数据买方的核心挑战仍然是价格与试用体验。这一趋势从2024年延续到了2025年，几乎没有变化。2025年，58%的买家认为价格是主要障碍；40%的买家提到试用的数据集不够充分。合规性相关的问题最少，仅有13%的买家将其视为痛点。供应商沟通不畅合规性问题不同策略、不同类型的买家普遍认为价格是购买市场数据和另类数据的最大障碍，这一点与2024年的结果一致。值得注意的是，尽管对价格的担忧始终突出，但买方对合规性和试用的关注度明显下降：担心合规性问题的比例从2024年的40%降至2025年的13%,担心试用时间问题的比例从56%降至40%。从地域来看，中国及亚太地区受访者更担心供应商沟通不畅的问题；欧洲、英国和中国买家对合规性的关注度高于北美，但价格仍是各地区买家都最在意的问题。在购买数据集之后，买方的痛点集中在数据质量上：42%的受访者指出实际数据与试用数据不完全一致。33%的买家认为缺乏内部资源是关键障碍，31%的买家则强调客户服务不够好。不同策略的基金在这个问题上的回复也有所不同——虽然数据质量始终是首要关切，但主观基金和信贷基金更倾向于将客户服务视为主要挑战。整体来看，这些结果基本与2024年的趋势保持一致：数据质量和内部资源不足仍是买家面临的最突出的难题。Neudata。不同策略、不同类型的买家普遍认为价格是购买市场数据和另类数据的最大障碍，这一点与2024年的结果一致。2024年的40%降至2025年的13%,担心试用时间问题的比例从56%降至40%。从地域来看，中国及亚太地区受访者更担心供应商沟通不畅的问题；欧洲、英国和中国买家对合规性的关注度高于北美，但价格仍是各地区买家都最在意的问题。在购买数据集之后，买方的痛点集中在数据质量上：42%的受访者指出实际数据与试用数据不完全一致。33%的买家认为缺乏内部资源是关键障碍，31%的买家不同策略的基金在这个问题上的回复也有所不同——虽然数据质量始终是首要关切，但主观基金和信贷基金更倾向于将客户服务视为主要挑战。整体来看，这些结果基本与2024年的趋势保持一致：数据质量和内部资源不足仍是买家面临的最突出的难题。662024年至2025年间，只有四分之一的买家最终购买了超过25%的试用数据集。2025年，13%的买家最终没有购买任何试用数据集，这一比例略低于2024年的17%。过去12个月内，购买和试用数据集的百分比Neudata。较低的转化率表明，在增强买家对数据产品的信心方面，试用服务至关重要。买家希望在正式采购前确保数据能够真正满足自身的需求。因此，买方会在协商、试用和采购过程中投入大量时间。对数据供应商而言，需要注意的是：从首次接触潜在客户到销售成功正式上线，多数买家平均仅需不到六个月，这意味着试用阶段的效率和体验往往决定了最终的合作结果。G6G6约三分之一(31%)的买家表示，他们在三个月内即可完成购买之后的落地流程(onboarding);近一半(45%)则表示需要四到六个月，只有23%的买家需要七个月以上的时间。考虑到试用在决策中的关键作用，价格与试用体验连续两年成为买家最关注的问题就并不意外了。足10%;其中，13%的买方没有停止任何数据的采购，40%的买方取消了10%的数据的采购，24%的买方取消了20%的数据的采购，仅有7%的买方取消了30%的数据的采购。整体来看，买家在购买后对数据集的产品忠诚度较高。不过，与去年相比，今年停止采购数据集的买家比例有所上升。2024年，29%的买家没有停止订购任何数据，30%的买家仅取消了10%的数据集的采购。供应商的反馈与此相呼应。多数供应商对客户留存保持信心：近一半的供应商表示客户留存率达到90%,17%的供应商的客户留存率在81-90%区间，但仍有20%不愿透露具体数据。投资者的购买情况数据供应商连续两年都将找到买方机构的合适联系人视为向投资领域销售数据时面临的最大挑战。2024年至2025年，约有一半数据供应商将这一点排在首位。今年，数据供应商其他常见难题包括：难以证明产品能为市场带来价值，以及缺少来自数据买提及的频率最低。在产品卖点方面，64%的数据供应商认为信号强度是重中之重。考虑到在使用数据时，数据买方最担心的是质量问题，此外，数据供应商还普遍认为交付频率和客户服热门的数据类型在调研中，我们邀请受访者对最具吸引力的三大数据类型进行排名。数据买家选择最多的是信息技术相关数据集，其次是非必需消费品数据，第三是金融数据。在第二和第三种数据类型中，热门数据涵盖的领域则更为分散，包括工业、能源和医疗保健等。此外，买家还表示希望Neudata平台提供更多新兴数据集、B2B数据，以及人工智能重塑行业的数据。与去年相比，买方的兴趣点发生了显著变化。2024年，非必需消费品是最受欢迎的数据类别，而信息技术数据虽受关注，却排名靠后。今年，信息技术数据跃升至首位，这可能与人工智能及其带动的相关行业在全球经济中的地位快速提升密切相关。值得注意的是，投资者对B2B数据和新兴数据集的兴趣已持续多年，而今年新增的亮点是对人工智能应用的高度关注。这一趋势凸显了，人工智能与科技在投资行业中正发挥着前所未有的重要作用。数据的适用性多数数据供应商认为，他们的产品最适合量化基金，其次是多策略基金。与此同时，不少供应商也指出，他们的数据对咨询公司或私募股权风险投资公司等小众市场也非常有价值。这一点颇具意义，因为本次调查中私募股权/风险投资公司的受访比例较去年明显下降。在受访的买家中，量化基金依旧是最大的群体。这并不意外——他们开创了使用另类数据辅助决策的先河，并且持续扩大另类数据的应用，因此在行业内代表性较强。其他其他Neudata。然而，供应商对将数据销售给更具差异化的买家群体(如咨询公司和宏观基金)表现出一定的乐观态度。从供应商的视角来看，这可能预示着市场正逐步向更为多元化的买方结构转变。展望未来一年，数据供应商普遍认为量化基金和多策略基金仍将是最容易成功的销售目标。但值得注意的是，相当一部分供应商也预期，宏观基金在未来的数据采购中将成为更具潜力的买家。您的数据最适合哪种类型的基金策略?主观基金信用基金宏观基金资产配置多策略基金其他量化基金多数数据提供商并不认为其数据适用于宏观基金。这些反馈显示出当前数据销售情况与未来预期之间存在明显差距。数据供应商对宏观基金的乐观态度，或许反映了他们对未来一年宏观经济不确定性加剧的判断——随着环境更难预测，更多机构将依赖数据来洞察趋势与变化。人工智能过去一年，人工智能与大语言模型(LLM)的应用在投资和数据行业迅速普及。调查结果显示，绝大多数数据买家已在不同程度上使用了人工智能与大语言模型。当前最常见的应用场景是提升内部运营效率，66%的受访者表示在这一方面使用人工智能。其次，49%的受访者使用聊天机器人，39%利用人工智能构建内部模型来处理数据。相比之下，只有31%的受访者表示，他们已将人工智能处理的数据直接用于优化投资策略。您的组织利用人工智能和大语言模型来处理哪些工作?36%33%29%使用混合模型；而窄模型使用率最低(5%)。许多数据买方都表示正在积极探索人工智能与机器学习在投资分析和交易策略中的应用：23%的买方称相关算法已处于开发阶段，10%的买方已开始初步部署相关应用，另有10%已在过去一年内投入开始使用，28%的买方表示其使用时间已超过一年。在人工智能和机器学习的构建方式上，最常见是基于商业基础模型开发专门的应用。其他做法还包括：对基础模型进行微调，以适配特定场景；利用外部工具包进行开发；构建专门的RAG应用程序等。与去年