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
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 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 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19