京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据的分岔路:一软到底还是软硬兼施?
在计算机发展史上,先是做硬件的风光,IBM曾经一枝独秀,然后就慢慢不行了;做计算机软件的开始发力,微软独占鳌头,IBM被迫向软转型。
在互联网发展史上,同样先是做硬件的风光,SUN和北电都曾得意一时,然后就慢慢不行了;做网络服务的开始发力,雅虎、谷歌、FACEBOOK先后称霸。在人类社会开始向大数据时代开始迈进的时候,相似的历史进程会不会重演?
大约从08年开始,广义的互联网产业出现了两个相互对立的发展路径。一个是以FACEBOOK为代表,逐渐发展出了以个人为中心,以人际关系为传播动力的WEB2.0平台。另一个是以苹果为代表,逐渐发展出了以个人数据终端为中心,以数据终端间的互动为传播动力的另类WEB 2.0平台。前者可称为软平台,后者可称为硬平台。
无论平台软硬,背后的逻辑是一致的,即通过平台生产,获取,整理,融合,利用尽可能多的网络用户和网络服务商的内容和行为数据,并在此基础上探索全新的商业模式。就软平台而言,迄今为止仍在坚持一软到底的初衷,认为无论人们使用何种硬件数据终端,只要还是用我的软平台,那么数据的汇集仍然会以软平台为中心,硬件厂商还是辛辛苦苦地为我打工。就硬平台而言,至少对产业顶端的几家企业来说,已经不是经典意义上的纯粹硬件制造商,而是集硬件,操作系统,开放平台和应用商店为一体,软硬结合,无缝整合的新型硬平台。
在大数据时代,究竟是一软到底的软平台还是软硬兼施的硬平台能够成为大数据时代的数据汇集点,在激烈竞争和产业整合中最终取胜,现在下结论恐怕为时尚早。
FACEBOOK在推出开放平台的6年间,一直将公司的使命定义为让全世界所有的人互相连接起来。然而,就在用户规模超过12亿,股价大幅飙升的时刻,公司创始人扎克伯格在9月初宣布了重新定义过的新的公司使命:让世界上的一切互相连接起来。这就将过去仅仅发力于人与人的关系,扩展到了人与物,物与物的关系,把潜在的市场规模扩大了千百倍。也就是说,在现实世界中的万事万物正在以极高的速度和加速度生成数据化的存在方式时,FACEBOOK有雄心把这个数据化世界中的一切连接起来,创造新的服务模式和商业模式。要做到这一点,它必须像现在创造出人与人关系数据的产业事实标准一样,创造出人与物,物与物关系数据的产业事实标准。而这在自身不具备自家硬件数据终端和操作系统的情况下,无疑是个巨大的挑战。
由于让FACEBOOK这样的后生小子抢了软平台的先机,业界几家传统老大只好半自觉半无奈地走上了软硬兼施的硬平台之路。谷歌以搜索生态圈和安卓操作系统为核心,同时向手机、平板电脑、眼镜、手表、汽车、卫星和高速宽带等五花八门的数据终端和系统全面出击,希望以量取胜,成为大数据时代的事实标准。苹果在确立了软硬兼施的路径之后,近年来竟然无所作为,将乔布斯拼命夺来的历史先机付之东流,与谷歌竞争已落下风。微软在长达近十年的踌躇不前,欲进还退后,终于出手收购了诺基亚,完成了谷歌,苹果,微软三国演义的产业格局。三家之间能否达成数据共享或数据交换协议,甚至形成共同的数据标准,是硬平台能否战胜软平台的关键。否则,任何单独一家都无法与FACEBOOK抗衡。
这场即将决定产业今后十数年走向的决战正在这四家市值过千亿美元,用户过十亿,全球为市场的巨头之间进行。这场决战完全与中国网络业无关,我们仍然在模仿者和跟随者的道路上洋洋自得地行走着。迄今为止,中国尚未出现一家居市场领先地位的软平台,虽然特殊国情为此提供了相当的机会。最有机会进化为软平台的当属微信,不过要看腾讯有无这样的决心,试金石就是它有无勇气尽快将自家的种种服务和产品整合到微信生态圈内,并将微信平台建成,同时全方位开放。微博有成为软平台的一线希望,但新浪的DNA决定了它无法承担如此挑战,除非做出全面的内部调整。百度和阿里具备一定的资质与能力,但它们好像志不在此,仍然停留在自家垂直领域深耕不止。
至于那些做手机、做盒子、做电视等硬件数据终端的公司,肯定与硬平台建设无关,把这些努力理解为IT制造业新一波可能更准确些,虽然旗帜上的确写着硬件加服务的口号。这些依赖安卓系统为生的东西,最好的结局就是成为谷歌大数据生态圈里的一员,扮演数据提供者的角色。如果未来硬平台战略在大数据时代占了上风,它们有机会在生态圈下游混日子。如果未来软平台战略得势,它们的日子就会很难过了。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19