
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
Pandas 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在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23