京公网安备 11010802034615号
经营许可证编号:京B2-20210330
制约可穿戴设备大数据梦想的三大因素
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粘性。PC互联网时代促成了商业的繁华,与工业时代有个最大的区别就在于用户粘性被缩短,我们只要借助于互联网就能完成基于信息流的活动。而到了移动互联网之后,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粘性,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建立了粘性。
如果用一句话来形容,也就是说PC互联网的用户粘性是按小时计算,而移动互联网的用户粘性被缩短到了按分钟计算,这种用户粘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所在。而进入可穿戴设备时代,由于人与设备之间实现了更深入,可以说是无缝的连接,用户粘性从移动互联网的按分钟计算转变到了按秒进行计算。
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开始就一直在争议中不断的飞速发展的原因。很显然的一个原因就是我们看到了当其所构建的用户粘性被进一步缩短之后,所释放出来的商业价值将超越当前由移动互联网所带来的改变。
而可穿戴设备之所以能释放更大的商业价值,关键就在于粘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,而数据流入的背后隐藏的就是数据背后的商业呈现。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。但其核心价值的大小则取决于大数据的延伸、挖掘,这也是我们所看到的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所造成,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们而言,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,都还需要一段路要走。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上,而不是依赖于可穿戴设备的大数据挖掘商业模式上。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、智能鞋子、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,不论是业内外,对于可穿戴设备产业的认知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是陌生。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众。从产品形态层面来看,目前通常局限于智能手表、智能手环。而就从智能手表、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。正是由于市场普及程度的制约,很显然地就制约了产品的用户使用量,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、用户粘性不高。
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粘性,但从目前的实际情况来看粘住用户还需要一段路要走。其中最主要原因是两方面,一是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、通讯等,还是软层面的算法、结果反馈等方面,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于可穿戴设备产业的技术人才大部分都是从IT或通讯产业跨界而来。正是这两方面的因素,就导致了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,导致普遍用户在购买可穿戴设备佩戴很短的一段时间之后,就直接将其抛弃了,这也就意味着开发者所采集的数据基本难以成为有效、有价值的数据。
当然,影响可穿戴当前数据有效采集的因素多种多样,上述三方面因素是制约着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,可以说在短时间内还将会伴随着整个产业的发展继续存在着,也就意味着在短期内将难以得到有效地改善。因此,对于可穿戴设备产业的创业者们而言,目前距离可穿戴设备大数据价值的梦想还有一段路,这个梦想在短期内还难以实现。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,而是依托于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