
当今世界最有价值的资源是什么?不是石油,而是数据
一种新的大宗商品正在一个利润丰厚、增长迅猛的行业中酝酿,反垄断监管者也开始着手限制那些有能力控制这种商品的人。如果是在一个世纪前,这种商品就是石油。而现在,引发巨头们争相抢夺的变成了数据,也就是数字时代的石油。
包括Alphabet(谷歌(微博)母公司)、亚马逊、苹果、Facebook和微软在内的科技巨头似乎都势不可挡。他们是当今世界上市值最高的五大公司,他们的利润都在飙升,他们2017年第一季度共计实现净利润逾250亿美元。全美超过一半的在线开支都被亚马逊吸走,谷歌和Facebook去年几乎攫取了美国数字广告营收的全部增量。
如此强大的垄断地位引发了人们的警惕,很多人呼吁分拆这些公司,就像20世纪初对标准石油公司的分拆一样。本刊之前曾经反驳过这种激进观点。仅仅因为拥有庞大的规模并不构成犯罪。巨头的成功给消费者也带来了利益。没有几个人希望失去谷歌搜索引擎、亚马逊当日送达服务或者Facebook的Newsfeed信息流。
如果套用标准的反垄断程序,这些公司似乎也没有达到警戒线。这些公司非但没有剥削消费者,反而提供免费的服务(用户实际上是用自己的数据来换取服务)。考虑到数量庞大的线下竞争对手,他们的市场份额似乎也不足为惧。而Snapchat等新兴企业的崛起也表明,新一代公司也可以掀起一些波澜。
但我们仍有理由感到担忧。互联网公司对数据的控制使之掌握了巨大的权力。在数字经济中,石油时代沿袭下来的传统竞争思维似乎已经过时。需要采用新的思维模式。
数量与质量兼得
究竟出现了哪些变化?智能手机和互联网催生了海量数据,不仅无处不在,而且价值大幅提升。无论是跑步、看电视还是堵在车流中慢慢前行,几乎所有的活动都会留下数字足迹——从而贡献更多的原始数据以供分析。随着手表和汽车等更多设备接入互联网,数据量只会有增无减:有的人估计,无人驾驶汽车每秒将会产生100GB的数据。与此同时,人工智能技术也可以从数据中挖掘更多价值。
部分数据驱动的交易
算法可以预测消费者何时有意购物,飞机何时需要维护,某人何时生病。通用电气和西门子等工业巨头也都纷纷定位为数据公司。
海量的数据变化改变了竞争的特性。科技巨头始终受益于网络效应:注册Facebook的用户越多,就越能吸引其他人注册。而这些数据又会构成额外的网络效应。通过收集更多的数据,企业便可改进自家产品,从而吸引更多用户,甚至生成更多数据。
特斯拉收集的无人驾驶汽车数据越多,就越能改进无人驾驶——第一季度销量只有2.5万辆的特斯拉却能超过销量230万辆的通用汽车,一定程度上就源于此。海量数据可以充当企业的护城河。
数据也可以成为抵抗竞争对手的方式。在科技行业,人们之所以对竞争怀有期望,是因为某个车库里的创业公司可能击败老牌企业,也有可能出现意料之外的技术变革。但在数据时代,这两种可能性都大幅降低。
巨头的监控系统覆盖整个经济:谷歌可以看到人们搜索什么,Facebook知道你在分享什么,亚马逊对你的购物习惯了如指掌。他们拥有应用商店、操作系统,还向创业公司出租计算资源。他们拥有“上帝之眼”,可以监控自己的市场和其他市场。他们能够看到哪些新产品和新服务受到追捧,因而能够及时模仿,甚至直接收购,避免遭遇更大的威胁。
很多人都认为,Facebook在2014年斥资220亿美元收购员工总数不到60人的WhatsApp,是为了消灭潜在竞争对手。通过竞争门槛和预警系统的恰当融合,便可借助数据有效遏制竞争。
改变反垄断思维
正是因为数据具备这些特性,才使得以往的反垄断措施效果降低。把谷歌分拆成5家公司不会阻止网络效应的扩张:假以时日,其中的一家公司仍会再次主导市场。因而需要辅以激进的思维——随着新的方法逐渐明确,两种想法逐渐进入人们的视野。
第一种的关键在于,反垄断官员需要从工业化时代过渡到21世纪。例如,他们以往在评估并购交易时,都会根据规模来判断是否介入,但现在需要通过企业的数据资产来评估交易影响。交易价格也会成为一个信号,帮助其判断老牌企业是否在通过收购排除威胁。
例如,Facebook愿意花这么高的价钱购买没有任何收入的WhatsApp,就应该引起警惕。反垄断官员还应该在分析市场动态时更加重视数据
例如,可以使用模拟器来寻找串谋定价算法,从而最大程度地促进竞争。
第二种则是降低在线服务提供商对数据的控制权,让数据提供者掌握更大的控制权。提升透明度可以带来一定的帮助:可以强迫企业向消费者披露他们所拥有的数据,以及他们借此获取的收入。
政府可以鼓励企业开发新型服务,甚至开放更多的政府数据库,把数字经济的关键组成部分当做公共基础设施来对待,就像印度的数字身份系统Aadhaar一样。还可以在用户许可的情况下强制分享某些数据——欧洲就在金融服务领域采取了这种方式,要求银行向第三方开放用户数据。
在信息时代开展反垄断并非易事,而且还会引发新的风险:例如,分享的数据越多,隐私威胁就越大。但如果政府不希望数据经济被少数巨头垄断,就必须尽快采取行动。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02