
玩转大数据,四巨头各显其能
大数据已经算不上新事物,它已经从根本上改变了诸多行业——比如音乐、报纸、电影、零售等等。在数字营销领域,依托新技术的大数据所带来的改变更是颠覆性的。
在美国,有四家总市值超过1万亿美元的互联网公司,曾一度称霸互联网营销的四大领域。互联网广告曾被谷歌占据;亚马逊称霸在线零售;社交网络的巨头是脸书;而苹果公司则建立了交互式硬件设备的行业标准,被称作“人们数字生活的遥控器”。加上微软、IBM和甲骨文,这7家公司的总市值已经占到美国市场的14%之多。
亚马逊
虽然在20世纪90年代互联网的商务应用已经初现端倪,然而真正奠定行业基础的,应该算得上亚马逊在2001年实现了创立6年来的扭亏为盈——当年这家网络书籍零售商的利润达到500万美元,之后的发展势头更让人叹为观止。
2013年时,亚马逊在全球范围内的收入已经达到570亿美元,其中,书籍和数字内容占到37%,日用商品占到59%,而AWS云服务(Amazon Web Service)和信用卡支付占到了4%。虽然在财务上的贡献不大,但AWS却代表了亚马逊身为在线零售商在数据行业的兴趣。自2002年发布以来,AWS原本服务于供应链企业,很快收获了Dropbox、Reddit和《纽约时报》等外部客户。
而互联网营销和广告一直是亚马逊商业模式中的一部分,2012年,亚马逊就被媒体称为“广告业沉睡的巨人”。
谷歌
谷歌的发展又是另一番故事。从1998年上线以来,这家公司不断完善自己的搜索引擎技术,并且找到了从搜索流量中直接变现的方法。
从2000年发布AdWord服务,到2003年发布Adsense,再到上线免费邮箱、书目查询、博客、相册、日历和翻译服务,谷歌逐渐打造出一套自己的产品组合,并从2006年开始完成了几次大手笔的收购,买下了视频储存和分发网站YouTube,在线广告服务平台DoubleClick和移动设备广告服务商AdMob等。之后,谷歌上线了安卓操作系统,收购了摩托罗拉移动,并发布了在线商店Google Play。
到2012年,虽然谷歌用了10年的时间开发搜索以外的业务,搜索仍然为其贡献了最多的利润——广告业务占到了谷歌当年总收入的97%之多。
苹果
1976年创立的苹果公司在2004年时市值为80亿美元,而从2009年1月到2013年初时,其市值就从750亿美元增长到6000美元。最重要的是,这家企业从前互联网时代的一家硬件制造商,成功转型为投资者们津津乐道的互联网时代的领导者。
然而,有一个问题却时常引发人们的讨论——公司的管理层变动、收入模式的转变和新产品的发布都不能完全解释苹果在2009年的突飞猛进。2012年,苹果公司收入已经很大程度上依赖于iPhone和iPad两款硬件产品,而它在硬件与互联网无缝整合上体现出来的优势,要胜于过去身为一家纯粹的设备制造商的成功。
脸书
脸书上线于2005年,但直到2009年才开始真正发展壮大。仅仅两年时间里,美国用户在上面所花费的时间以及用户人数都有大幅增长。
2013年,有1.53亿美国人每月都至少登录一次脸书,几乎占到了3/4的美国网民总数。脸书的访客平均使用时间是每个月6小时41分钟;虽然有更多的人访问谷歌,但是访问时间更短,平均1小时54分钟。
即便如此,相比谷歌,脸书在吸引在线广告商方面却更为逊色,而广告也是公司主要的盈利模式。
那么,问题在于,你是否认为这四家公司所做的事情是相同的?抑或是,它们的案例只是证明了市场细分的存在?
在中国,百度是否只从事搜索引擎业务,还是它也想从电子商务中分一杯羹?阿里巴巴聚焦于电子商务,是否也企图在广告和其他行业占有一席之地?腾讯在社交领域风生水起,是否正在打造自己的全方位平台?
这也是美国互联网市场的现状。你可能认为四家公司能够很好地诠释市场细分,在零售、广告、硬件和社交网络各显其能,然而这并不是全部。这仅仅只是商业历史上的一个时点,大局依然未定。
美国的网民有3亿人,无论是苹果、谷歌、脸书还是亚马逊,都想了解其中的每一个人。美国前财政部长、曾任哈佛大学校长的劳伦斯·萨默斯(Lawrence Summers)就曾说过:“数据在21世纪经济的重要性,也许就像20世纪的石油那样,对经济生活来说是有着巨大核心价值的资产。”石油引发战争,甚至有人为此流血而死,数据虽不至此,但其重要性毋庸置疑。
苹果、谷歌、脸书和亚马逊四家公司并非只是在自己的“疆土”内执行着独立的战略,而是正在迫不及待地打造其他公司所拥有的核心能力。每家公司都希望攫取数字市场的灵魂,在领域边境和新领域占据优势地位。
谷歌和脸书就在互联网广告上形成了竞争;苹果的iTunes和Google Play在数字内容零售方面对亚马逊形成了挑战;苹果和谷歌又在智能机市场短兵相接;苹果、谷歌和亚马逊都曾进军数字电视业务;谷歌曾在支付系统抢占先机,而现在苹果又大有后来者居上之势……
我们现在生活的世界充斥着一对一营销,这个已经存在了20多年的营销方法,如今却拥有了从未有过的生机。人们身为消费者的体验,已经越来越变成时时刻刻被这些互联网公司观察、分析的体验——它们运用机器学习和高级算法,试图了解每一个消费者个体,预测消费者的购物偏好。
无论如何,你不得不承认,这就是我们生活的世界。就像其他任何新的科学技术一样,数据科学将会被大规模地应用。如今的问题并不在于它是否足够吸引人,而是数据如何在大数据生态系统中运作,而我们又如何创造性地开发大数据的各种可能性?
现在,我们已经可以基于个人信息将市场数字化。如果你将大数据生态系统想象成石油,石油需要被钻取、开采、运输并提炼成汽油、柴油等产品,进而被运输到加油站、最后接触到顾客的过程。石油产业有着自己庞大的供应链,在加工过程中会产生副产品。
数据生态系统亦然。数据被开发、分析、应用,最终产品形态能够接触到消费者,而不恰当的滥用亦会带来负面影响。为何将它称为“生态系统”?因为在整个生态系统里,有上千家企业负责收集人们的个人数据,有更多的公司负责处理它们,然后被更多的公司使用,以便与消费者建立关系。
我们在探讨数据生态系统时,既包括线上生态,也包括线下生态。线下生态中的身份信息往往是“获取”的,线上生态中的加密信息却是“收到”的。这是由于线下个人信息主要来自美国的政府部门:机动车注册、邮政信息更改记录、房产登记注册、杂志订阅名单、银行记录等等——这些信息组成的大数据会被一些数据公司购买获得。线上数据则完全不同,当你进入这个生态时,数据就产生了——你在互联网上点击、浏览、输入、下载,甚至在手机端使用指纹,所有信息,无一例外进入线上生态。
在美国,线下数据和渠道相当庞大,研究显示,美国的邮政系统能够与谷歌的规模匹敌。你会发现,邮政系统与谷歌所处的其实是同一行业——邮局运用数据分类系统将邮件在2~3日内送递到收件人手中;而谷歌在不到一秒的时间内将搜索结果展现在用户面前。两者做的都是产品、数据与人匹配的生意。现在,线上和线下生态虽然还未被完全打通,但连接程度将会越来越高。
我们曾做过一个研究,发现2015年,美国在个人数据上的花费达到2020亿美元,占所有美国市场营销费用(包括销售人员费用)的15%。在过去的两年,人们在个人数据上的花费每年都以17%的速度增长。2016年,全世界约有1/3的市场营销重度地依赖于个人数据,而这个比例将会变得更大。
在这个时代,成功的公司不会仅仅将自己定位在一个需要竞争激烈的行业里,而是身处在一个需要相互合作的数据系统当中。在你的数据生态圈里,应该努力建立自己的平台,通过相互交换服务产生价值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14