京公网安备 11010802034615号
经营许可证编号:京B2-20210330
可穿戴设备的大数据价值仍待释放
可穿戴设备之所以吸引人,其中一个非常重要的因素就在于用户黏性。PC互联网时代促成了商业的繁华,与工业时代的最大区别就在于用户黏性减小,我们只要借助于互联网就能完成基于信息流的活动。而到了移动互联网时代,商业繁华被进一步推动,也就是我们当前所看到的移动互联网热潮,其中的关键原因也在于用户黏性,也就是说基于智能手机的移动互联网更深一步地与用户之间具有了黏性。
如果用一句话来形容,也就是说PC互联网的用户黏性是按小时计算,而移动互联网的用户黏性被缩短到按分钟计算,这种用户黏性深度绑定就会释放出更多的商业行为,这也就是当前移动互联网的浪潮高于之前PC互联网浪潮的关键原因。而进入可穿戴设备时代,由于人与设备之间实现了更深入无缝的连接,用户黏性从移动互联网的按分钟计算转变为按秒计算。
可想而知,其所释放出来的商业价值必将超越当前的移动互联网与PC互联网,这也是为什么可穿戴设备从诞生那天起就一直在争议中不断飞速发展的原因。很显然,我们看到了当其构建的用户黏性被进一步减小之后,所释放出来的商业价值将超越当前由移动互联网带来的改变。
而可穿戴设备之所以能释放更大的商业价值,关键就在于黏性建立背后所产生的大数据。可穿戴设备作为人体数据的流入与流出的双向渠道,其数据流出的背后隐藏的就是商业机会。可以说,基于可穿戴设备的大数据价值是目前全球范围所有从业者的一个共识,也是一些提出可穿戴设备免费这一观点人士的基础依据。
不过在我看来,目前谈可穿戴设备的大数据价值挖掘商业模式还为时过早。不可否认,未来可穿戴设备的核心价值在于大数据,硬件本身所能创造的价值非常有限,不论价格高低,都是一次性的价格表现形式,其核心价值的大小还是取决于大数据的延伸、挖掘,谷歌眼镜没有有效地实现价值放大,其关键原因并不是硬件产品本身不可使用,而是由于大数据不能有效支撑其价值放大。
而对于目前大部分的可穿戴设备从业者而言,不论是希望借助于设备所收集的大数据进行价值挖掘,还是借助于大数据形成来放大可穿戴设备价值,都还有一段路要走。至少从短期来看,盈利模式还是基于相对传统的硬件产品销售本身,而不是依赖于可穿戴设备的大数据挖掘商业模式。
制约可穿戴设备大数据商业价值的主要原因有以下三方面:
1.数据过于碎片化。由于可穿戴设备产品形态目前还处于一个快速裂变的过程,从智能眼镜、智能手表、智能手环、智能饰品、智能鞋子到智能服装等。这种快速裂变的产品形态对于一个新兴产业而言,在市场上所呈现的就是产品碎片化的局面。一方面产品碎片化,另外一方面在产品碎片化的基础上创业者又处于分化状态,这就导致不同产品、不同品牌所采集到的数据未能实现互联互通。而这种数据过于碎片化的结果,当然就使得所采集到的数据不是大数据,而是“小”数据,其价值显然难以有效挖掘。
2.市场普及度不高。由于可穿戴设备是一个新兴的业态,不论业内外,对于可穿戴设备产业都还没有形成一个统一、清晰的认识。大众对于可穿戴设备的认知不仅模糊,而且在很大程度上可谓陌生。受制于消费市场普及的因素,制约了可穿戴设备产业的市场普及,也就意味着可穿戴设备的用户使用量相对比较小。从产品形态层面来看,目前通常局限于智能手表、智能手环。而从智能手表、智能手环层面来看,目前还只是局限于一部分对新鲜科技事物感兴趣,或者是比较关注新兴事物的群体。这种情况也制约了产品的数据采集数量,制约了数据成为“大”数据的进程。
3.用户黏性不高。可穿戴的本质是借助于可穿戴设备进一步增强人与智能设备之间的使用黏性,但从目前的实际情况来看,黏住用户还有一段路要走。其中主要原因是两方面,一方面受制于整个产业链技术的限制,不论是硬层面的芯片、传感器、电池、通信等,还是软层面的算法、结果反馈等,都还处于探索阶段;另外一方面则是产业技术人才的缺失,尤其是我国目前从事可穿戴设备产业的技术人才大部分都是从IT或通信产业跨界而来。正是这两方面的因素,导致可穿戴设备在商业化的过程中,其产品都存在着不同程度的缺陷。最直接的表现就是当前用户普遍反映的监测不精准、使用体验不佳、监测结果无建议等,导致很多用户在购买可穿戴设备佩戴很短一段时间之后,就直接将其弃置了,这也就意味着开发者所采集的数据难以成为有效、有价值的数据。
当然,影响可穿戴数据有效采集的因素多种多样,上述三方面因素是可穿戴设备大数据是否能够有效形成与挖掘的关键因素。这三方面因素,可预料在短时间内还会伴随着整个产业的发展继续存在着,也即此种状况在短期内将难以得到有效的改善。因此,对于可穿戴设备产业的创业者而言,目前距离可穿戴设备大数据价值的梦想还有一段路。而当前最现实可行的并不是将自己的商业模型建立在大数据的价值梦想上,而是依托可穿戴设备本身的产品销售获取盈利。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13