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
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 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 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21