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
数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08