
大数据其实没那么有用,但是炒作它的人确实是都赚钱了
正在好几条战线上对技术巨头发起挑战的欧盟竞争委员会专员Margrethe Vestager又开辟了一条新的:“大数据”。
她在接受《华尔街日报》采访中把数据拎出来作为一项重要的竞争优势,称英国在反垄断审查和调查中予以更认真的考虑。不幸的是,如果担心大数据引发隐私问题还是合理,如果对基本上没有根据的大数据炒作过于买账的话,就是担心过头了。
她告诉《华尔街日报》说:“在一些领域,这些数据是非常有价值的。它们可以形成市场壁垒——让拥有数据的一方获得别人所没有的巨大商业机会。”她还补充说Google、Facebook甚至德国车企宝马公司等,因为它们正在积累的数据以及这些数据帮助它们抵达客户和降低成本,会对竞争对手形成不公平优势。
这一观点是这样一个概念的延伸。大家普遍认为,我们是用自己的数据来换取免费服务,而提供服务的公司可以很轻易地将这些数据转化成金钱——比方说,通过广告的精准定向投放来商业化。但事实是这种炒作转换为现金要比实际数据转化为金钱更加容易。
2011年,麦肯锡推出了一份报告,报告炒作了大数据的商业潜能,预测称它将成为“竞争的关键基础”。这家公司说如果零售商能够利用好它的潜能的话,可以将营业利润提高60%。这会是微定向(microtargeting)和“库存和定价自动对线上线下销售做出实时调整”的直接结果。
2016年,麦肯锡又弄了一份报告来调整上次的预测,称“因为缺乏分析人才”以及“企业内部的数据烟囱”,美国零售商只实现了大数据相关潜能的30%到40%。然而即便是这样的评价仍然是高估的论断。美国零售业今天的营业利润比2011年的时候还低了一点。哪怕是被麦肯锡在2016年报告中称赞为大数据技术早期采用者的沃尔玛,最近几年在营业利润方面也没有任何像样的增长。
没有大数据驱动出来的繁荣
沃尔玛最近几年的营业利润并没有反映出数据驱动技术带来了更大的回报
如果Google和Facebook使用的大数据真的帮助了制造商和零售商的话,那么在这些公司很强势的国家里零售收入应该会出现显著增长才对。但这种情况并没有发生。Google和Facebook倒是变得越来越大,但美国的零售销售却已经停滞,并且低于历史水平。
数据驱动革命?没听说过
美国零售销售复合年增长情况(剔除季节性因素后)
对于大数据炒作这个当然不是一个完全科学的论断。其他因素,比如经济加剧、经济条件等也会连累到数据驱动给零售利润和规模带来的增长。所以在缺乏对大数据对公司表现影响的最近研究的情况下,说这个结论不可知也许是谨慎的做法。从宏观层面来说,并没有这种效应存在的迹象——而且也没有明显受益的公司,除了那些专门销售其大数据知识的公司,比如Google和Facebook。
从直观上来看,分析客户数据显然应该能带来商业优势。2014年麦肯锡资助的一项研究发现,零售商一般都同意这一点。然而,这并不意味着我们今天所熟知的大数据——有关个人上网习惯、可追溯几年的购物历史情况、社交网络文章和互动的信息——可以给试图利用它的公司带来任何的优势。这种信息的一个主要问题是“垃圾进去垃圾出来”。此外,任何曾经买过比方说钱包的人事后都会被钱包广告狂轰滥炸几个星期,这说明基于历史的定向营销其实没太大意义。Google和Facebook的定向广告并不比传统媒体历史悠久的针对特定类型内容受众的宽松定向广告产品好多少。
当然,知识仍然是力量。有朝一日那些公司也许能收集到有关我们的足够多的有用信息,然后用到显著提升销售上。找到这种办法的公司将获得理所应得的竞争优势,这种优势像Vestager这样的监管者未必就能化解得了。我怀疑这需要客户和数据收集者进行合作:没有这种合作的话,会有太多的大数据是错的、不充分的或者根本就是无用的。比方说,如果大家放弃信息自愿性,就能拿到一点广告收入或者产品的折扣的话——就没有理由去限制企业拿这些数据可以做什么。
不过,在目前的情况下,使用蛇油并不能给你带来竞争优势。它只会让卖蛇油的人富得流油。监管者感兴趣的应该是这种企业——但反垄断者未必需要。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30