收购数据中心,数据中心并购

　 收购数据中心,数据中心并购

　　收购数据中心是近几年常见的行业操作。数据中心对企业发展、经济发展都有着很重要的作用。随着我国互联网的高速发展，各大服务商建立了很多数据中心，甚至在海外建设。各大互联网品牌公司也都从租服务器到建设自己的数据中心。那今天就讲讲收购数据中心。

　　一、我国数据中心分析

　　我国数据中心细分市场参与者主要由基础电信运营商、专业数据中心服务商、云服务商等组成，市场格局以运营商为主，其机房遍布全国;其余的市场以第三方数据中心厂商为主。

　　根据中国电子信息产业发展研究院数据显示，中国数据中心硬件设备投资规模中，服务器占主要比重，其中以X86服务器为主，其次为数据中心存储设备。2019年中国数据中心服务器投资额为979.2亿元，占硬件设备投资58.3%，数据中心存储设备投资额为213.9亿元，占硬件设备投资12.7%。

　　从市场主要参与者来看，华为、新华三、浪潮、戴尔等为数据中心硬件产品龙头厂商，业务范围涵盖服务器、存储、网络设备(交换机、路由器、WLAN无线设备)等。

　　从代表性第三方数据中心运营商运营情况来看，世纪互联是国内数据中心行业的标志性公司，主要以零售模式销售，收入规模处于业内领先水平。万国数据是目前国内数据中心业务成长性最高的公司。

　　从行业并购发展趋势来看，数据中心需求持续增长，但市场竞争也十分激励。从短期看：有不少其他行业企业认为数据中心有更高的毛利率，因此切入该行业;

　　从长期看：云计算对数据中心业务的挑战一直存在。随着大型数据中心和超大型数据中心数量的增多，一线城市中的中小型数据中心虽然地位仍重要，但整体市场占比会逐渐减小，如无其他突围方式，便陷入“不进则退”的处境。

　　二、利用大数据并购数据中心的方法

　　根据KPMG的预计，到2025年，全球产生的数据总量将较2016年暴涨10倍，达到163ZB(1ZB等于10亿GB)。在数据汪洋中，企业的运营环境也更为多样和复杂，涉及生产设施、办公场所、实体商铺、网站、社交媒体、应用软件等，各平台之间的交互联动所形成的企业画像较传统单一运营环境下的企业画像更立体和全面。传统的以人工为基础的信息处理方法在检索能力、处理能力、分析质量、响应速度等效能上日渐无法应对数据类并购的复杂性，而数据分析(dataanalytics)、认知计算(cognitivecomputing)、机器学习等基于大数据的人工智能工具在大数据时代的并购中的运用越来越受到重视。

　　首先，大数据技术大幅提高对潜在并购目标的搜寻和筛选效率。不仅局限于对财务报表、管理层报告等传统信息来源的挖掘，人工智能可通过数据挖掘工具收集风险投资流向、科研成果发布和利用、纵向和横向产业联结、舆论评价倾向等非传统信息，并运用文本分析工具对不同来源的信息进行整合和分析。埃森哲的调查显示，80%的受访企业认可数据分析有助于对并购目标的筛选。而更优质的筛选结果有助提高交易的成功率。波士顿咨询集团开发出一款利用人工智能评估非传统指标的并购模型，根据在267个案例上的测试，该模型可以准确预测超过70%的收购项目在收购三年后的业绩表现。KPMG的调查表明，有29%的企业在并购中使用数据分析或商业情报分析技术。

　　其次，数据分析有助于更合理地对并购目标进行估值。并购双方在并购后的协同效应是目标估值的重要考量因素。传统的估值方法一般基于成本节省和收入增长两方面来测算协同效应。但数据类并购的协同效应更可能体现在以下两个方面：一是收购方可利用被收购方的数字能力创造新的业务模式、服务或产品，从而推动收购方核心业务的增长;二是被收购方借助收购方的业务能力、资本和市场实现数字业务的加速增长。传统的估值方法不太适用于评估这种协同效应。数据分析工具更善于分析数据类企业的“软实力”，帮助并购方发现收购后的价值潜力。例如，通过目标企业在LinkedIn上的员工档案，可以判断公司在相关领域的真实专业水平;通过分析目标公司在社交媒体上的粉丝规模、对其产品的网络点评、对公司的网络舆论倾向等，可以测算目标公司的用户或客户群的黏度;基于目标公司所掌握的客户和供应商第一手数据，并购方可以更好地理解客户和供应商的需求和行为模式，从而有助于规划在并购后如何优化服务和产品、改进客户和供应商关系、合理化资源配置等。大数据技术还能提高传统估值方法的运用效率。例如，在大数据的帮助下，现金流折现法可以更容易地准备现金流量表，更容易地根据现存市场信息识别影响现金流量的风险因素，并且更准确地预测这些风险因素对现金流的具体影响。数据分析与传统的市场基准估值技术相结合，使并购方可以从更广泛的市场数据库提取估值参考倍数，并可帮助并购方更快更可靠地将目标公司与估值参考数据进行比较，从而形成更合理的估值。根据波士顿咨询集团的统计，非传统协同效应的价值可以占到数据类企业估值的至少50%，2017年涉及企业收购方的数据类并购的平均交易金额为1.51亿美元，估值的中位数为EBIT的26倍，远高于全部并购交易的估值中位数(EBIT的14.2倍)。

　　第三，人工智能大大提高了并购前尽职调查的效率。作为并购的必要程序，并购方须对目标企业或目标资产开展财务、商务、税务、法律、技术、人力资源、数据安全等方面的尽职调查，以便准确评估目标的价值和潜在风险。传统的尽职调查方法耗时耗力，不仅需要调查人员的专业知识，还需要大量的时间和体力投入，相应产生可观的调查支出。对于跨国并购，尽职调查的工作量更为庞大，不同地域的调查人员的协作难度更大，导致人为疏漏的概率增大，给并购方遗留的风险也更大。人工智能，尤其是认知计算的应用，可以大量节省尽职调查的人力投入，提高处理速度和准确率，帮助并购方更好地规避法律风险，并节省调查费用。根据数据专家的估算，将人工智能用于并购尽职调查可节约百分之三十至九十的尽职调查时间。人力资源、财务、产品研发、销售和市场、资产管理、不动产是人工智能增效最明显的尽职调查领域。德勤和KPMG已在越来越多的并购咨询项目中使用人工智能系统为客户服务。咨询公司KiraSystems的尽职调查引擎服务使用机器学习技术自动从合同中搜寻和提取并购调查通常需关注的信息，并以超过1000种可选择的条款模板形成标准调查报告;此外，该公司的KiraQuickStudy系统还可以根据客户的需求进行定制，审查任何指定的特殊信息。

　　最后，人工智能可大幅优化并购法律文件的起草。企业并购需要并购协议和其他配套法律文件予以规范，这些协议和文件一方面需要准确反映本次交易的商业设计，同时还应符合法律规定、监管要求和市场惯例。传统上，律师事务所根据过往经办的项目形成本所的协议模板，将其用于起草具体项目的并购协议的基础。但协议模板必须根据法律环境和市场实践的变化经常予以更新，这将耗费律师大量的时间，而囿于人工认知的局限，任何一家律所的模板都难以确保全面反映最新的发展变化。数据类企业所处的技术、商业和监管环境的变化远快于传统企业，这更增加了律师更新并购协议模板的难度。人工智能可帮助律师准备高质量的协议模板，使律师可将时间和精力集中于客户在特定项目中需重点解决的法律问题，提升法律服务的效率和价值。例如，法律智库公司WoltersKluwer早在2017年7月就推出了使用人工智能的并购条款分析服务，该服务通过人工智能对市场中使用的并购协议条款进行大数据统计，归纳出最普遍使用的条款，形成紧跟最新实践的协议模板，再由资深并购律师进行审阅微调，确保模板符合最新的市场标准和行业经验。

　　综上所述，关于收购数据中心,数据中心并购的文章，如果您需要办理该资质或者想更多咨询问题，请联系大通天成在线客服。