京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
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