京公网安备 11010802034615号
经营许可证编号:京B2-20210330
可穿戴设备掌声与吐槽齐飞 无大数据不智能_数据分析师培训
苹果公司近日正式发布Apple Watch智能手表。面对Apple Watch的到来,几乎所有的智能穿戴设备厂商都是怀着忐忑的心情,既希望Apple Watch能快些到来,又害怕Apple Watch带来的冲击。一如2010年的平板电脑市场,苹果iPad的问世触发了市场的兴奋点,同时也让诸多厂商无处安身。不同于5年前的平板电脑,今天的Apple Watch有望引爆的不仅仅是智能手表的行情,还将会开启整个智能穿戴设备的市场大门。不过,遗憾的是,从正式发布的Apple Watch来看,撬动市场并不那么容易,在苹果之前,已经有了很多“先烈”。
硬件超前软件缺席
智能穿戴设备发展至今,我们已经看到了Apple Watch手表、Google Glass眼镜、Jawbone手环、Galaxy Gear手表、Sensoria智能袜子、耐克智能鞋等。参与其中的厂商既有Google、盛大、小米这样的互联网企业,也有苹果、三星、华为这样的终端厂商,甚至还有Intel、高通等核心元器件商。可以说,在智能穿戴设备领域,只有我们想不到,没有厂商做不到。
“今年必将成为可穿戴智能设备年!”早在两年前,这样的论断就已甚嚣尘上,而今苹果公司发布Apple Watch令这句话显得更有力了。
说到智能穿戴设备,目前广为消费者所知的是智能手表、手环以及智能眼镜。除了这些,还有各种超前得让人脑洞大开的神器,比如,穿起来不会迷路的鞋子,可防止脚部受伤的智能袜子,提前十分钟通知你要排便的神器,检测你心脏的T恤,还有可以燃烧脂肪的马甲。不可否认,这些产品的设想都是极其美好的,然而应用短板却使这些产品在体验上总是棋差一招。
应该说,目前智能穿戴设备存在的尴尬在于硬件已经超前发展,但软件仍缺席。一句话:造型太超前,技术太落后。比如,穿起来不会迷路的智能鞋子,功能的实现需要通过触觉反馈和GPS 模块来为穿着者提供导航,其中创建数据的交互、用户数据的持续搜集和分析,这些都需要相关联的大数据,然而目前大数据应用的发展还远未达到这一程度。因为缺乏使用功能上的刚性需求,大多数智能穿戴设备无法长期俘获用户青睐。
创新不足加剧同质竞争
目前,业界基本认可智能穿戴设备还未成熟的观点,不可否认的是,智能穿戴设备正在改变着我们的生活。根据Enfodesk易观智库的分析,中国智能穿戴设备市场在2014年的规模为22亿元人民币。Apple Watch的正式上市会极大地刺激整个智能可穿戴设备市场规模的增加,预计市场规模将会达到135.6亿元人民币。
从智能手机市场的激烈竞争可以看出,在一定时间内,硬件产品的革新速度已经很快,以至各大厂商显得有些“江郎才尽”,市场同质化严重。同样的,在智能穿戴设备市场,基于目前的软件服务能力,智能穿戴设备产品的竞争也已经白热化。纵观市场,智能穿戴产品业态比较基础,没有带来革命性的冲击,定位尴尬,很多产品即无痛点又非刚需,难免沦为“鸡肋”。
归根结底,目前智能穿戴设备尚未真正成为消费者生活中的必需品,用户粘性仍然较差。就拿当下较为火热的智能手环来说,在市场需求不够旺盛的情况下,智能手环并不能为我们带来更多实质性的改变。这类产品在挑战用户的惰性,让消费者在做产品与生活习惯二选一的选择题。如果没有苹果产品那样的号召力,结局不言而喻。
市场爆发的触点在哪?
智能穿戴设备发展到现在,仅凭靠优秀的工业设计和包装就能开发出一款改变行业的硬件产品,这种情况已不复存在。因为,再好的硬件设备,缺乏软件支撑,只是一堆废铜烂铁。
纯粹的硬件制造依然处于产业链底端。当智能穿戴设备不是强加给人们某个熟悉的附属品,而是已经同人体的“器官”融合,给人强烈的需求的时候,才是智能穿戴设备市场爆发之时。这就意味着,在智能穿戴设备市场上,有制造基础不一定就可以做成智能硬件,这取决于有没有互联网化、有没有大数据、有没有云应用的整合。
从智能穿戴设备的应用上来说,更多的是基于后端云平台与大数据的交互。前端的可穿戴设备更多承担的是信息采集的功能,而不是信息处理的功能,这才是移动互联网大数据应用的思维。相关机构预测,在今年年底,移动连接的设备数量将超过世界人口。这种网络连接数量和类型的增长,不仅能够为用户提供更多的功能,同时也让智能穿戴设备更智能。
可以预见,智能穿戴设备将会层出不穷,并且不断更新。但是正如历史上路面交通工具历经多次变革,车轮形态不会发生太大的变化一样,对于智能穿戴设备来说,无论形态如何变化,最有意义的部分仍在于通过设备上的传感器所采集并保存于云端上的数据。因为有了大数据的支撑,硬件设备才具有智能的属性,而大数据则因为有了可穿戴设备的采集数据,才真正变得接地气。智能穿戴设备要真正成为人类、相关器械的延伸,帮助我们提升与生俱来的本能,对大数据的应用还有很长的路要走。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17