京公网安备 11010802034615号
经营许可证编号:京B2-20210330
可穿戴设备的大数据价值仍待释放
可穿戴设备之所以吸引人,其中一个非常重要的因素就在于用户黏性。PC互联网时代促成了商业的繁华,与工业时代的最大区别就在于用户黏性减小,我们只要借助于互联网就能完成基于信息流的活动。而到了移动互联网时代,商业繁华被进一步推动,也就是我们当前所看到的移动互联网热潮,其中的关键原因也在于用户黏性,也就是说基于智能手机的移动互联网更深一步地与用户之间具有了黏性。
如果用一句话来形容,也就是说PC互联网的用户黏性是按小时计算,而移动互联网的用户黏性被缩短到按分钟计算,这种用户黏性深度绑定就会释放出更多的商业行为,这也就是当前移动互联网的浪潮高于之前PC互联网浪潮的关键原因。而进入可穿戴设备时代,由于人与设备之间实现了更深入无缝的连接,用户黏性从移动互联网的按分钟计算转变为按秒计算。
可想而知,其所释放出来的商业价值必将超越当前的移动互联网与PC互联网,这也是为什么可穿戴设备从诞生那天起就一直在争议中不断飞速发展的原因。很显然,我们看到了当其构建的用户黏性被进一步减小之后,所释放出来的商业价值将超越当前由移动互联网带来的改变。
而可穿戴设备之所以能释放更大的商业价值,关键就在于黏性建立背后所产生的大数据。可穿戴设备作为人体数据的流入与流出的双向渠道,其数据流出的背后隐藏的就是商业机会。可以说,基于可穿戴设备的大数据价值是目前全球范围所有从业者的一个共识,也是一些提出可穿戴设备免费这一观点人士的基础依据。
不过在我看来,目前谈可穿戴设备的大数据价值挖掘商业模式还为时过早。不可否认,未来可穿戴设备的核心价值在于大数据,硬件本身所能创造的价值非常有限,不论价格高低,都是一次性的价格表现形式,其核心价值的大小还是取决于大数据的延伸、挖掘,谷歌眼镜没有有效地实现价值放大,其关键原因并不是硬件产品本身不可使用,而是由于大数据不能有效支撑其价值放大。
而对于目前大部分的可穿戴设备从业者而言,不论是希望借助于设备所收集的大数据进行价值挖掘,还是借助于大数据形成来放大可穿戴设备价值,都还有一段路要走。至少从短期来看,盈利模式还是基于相对传统的硬件产品销售本身,而不是依赖于可穿戴设备的大数据挖掘商业模式。
制约可穿戴设备大数据商业价值的主要原因有以下三方面:
1.数据过于碎片化。由于可穿戴设备产品形态目前还处于一个快速裂变的过程,从智能眼镜、智能手表、智能手环、智能饰品、智能鞋子到智能服装等。这种快速裂变的产品形态对于一个新兴产业而言,在市场上所呈现的就是产品碎片化的局面。一方面产品碎片化,另外一方面在产品碎片化的基础上创业者又处于分化状态,这就导致不同产品、不同品牌所采集到的数据未能实现互联互通。而这种数据过于碎片化的结果,当然就使得所采集到的数据不是大数据,而是“小”数据,其价值显然难以有效挖掘。
2.市场普及度不高。由于可穿戴设备是一个新兴的业态,不论业内外,对于可穿戴设备产业都还没有形成一个统一、清晰的认识。大众对于可穿戴设备的认知不仅模糊,而且在很大程度上可谓陌生。受制于消费市场普及的因素,制约了可穿戴设备产业的市场普及,也就意味着可穿戴设备的用户使用量相对比较小。从产品形态层面来看,目前通常局限于智能手表、智能手环。而从智能手表、智能手环层面来看,目前还只是局限于一部分对新鲜科技事物感兴趣,或者是比较关注新兴事物的群体。这种情况也制约了产品的数据采集数量,制约了数据成为“大”数据的进程。
3.用户黏性不高。可穿戴的本质是借助于可穿戴设备进一步增强人与智能设备之间的使用黏性,但从目前的实际情况来看,黏住用户还有一段路要走。其中主要原因是两方面,一方面受制于整个产业链技术的限制,不论是硬层面的芯片、传感器、电池、通信等,还是软层面的算法、结果反馈等,都还处于探索阶段;另外一方面则是产业技术人才的缺失,尤其是我国目前从事可穿戴设备产业的技术人才大部分都是从IT或通信产业跨界而来。正是这两方面的因素,导致可穿戴设备在商业化的过程中,其产品都存在着不同程度的缺陷。最直接的表现就是当前用户普遍反映的监测不精准、使用体验不佳、监测结果无建议等,导致很多用户在购买可穿戴设备佩戴很短一段时间之后,就直接将其弃置了,这也就意味着开发者所采集的数据难以成为有效、有价值的数据。
当然,影响可穿戴数据有效采集的因素多种多样,上述三方面因素是可穿戴设备大数据是否能够有效形成与挖掘的关键因素。这三方面因素,可预料在短时间内还会伴随着整个产业的发展继续存在着,也即此种状况在短期内将难以得到有效的改善。因此,对于可穿戴设备产业的创业者而言,目前距离可穿戴设备大数据价值的梦想还有一段路。而当前最现实可行的并不是将自己的商业模型建立在大数据的价值梦想上,而是依托可穿戴设备本身的产品销售获取盈利。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24在CDA(Certified Data Analyst)数据分析师的日常业务分析与统计建模工作中,多组数据差异对比是高频且核心的分析场景。比如验 ...
2026-03-24日常用Excel做数据管理、台账维护、报表整理时,添加备注列是高频操作——用来标注异常、说明业务背景、记录处理进度、补充关键 ...
2026-03-23作为业内主流的自助式数据可视化工具,Tableau凭借拖拽式操作、强大的数据联动能力、灵活的仪表板搭建,成为数据分析师、业务人 ...
2026-03-23在CDA(Certified Data Analyst)数据分析师的日常工作与认证考核中,分类变量的关联分析是高频核心场景。用户性别是否影响商品 ...
2026-03-23在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16