
大数据其实没那么有用,但是炒作它的人确实是都赚钱了
正在好几条战线上对技术巨头发起挑战的欧盟竞争委员会专员Margrethe Vestager又开辟了一条新的:“大数据”。
她在接受《华尔街日报》采访中把数据拎出来作为一项重要的竞争优势,称英国在反垄断审查和调查中予以更认真的考虑。不幸的是,如果担心大数据引发隐私问题还是合理,如果对基本上没有根据的大数据炒作过于买账的话,就是担心过头了。
她告诉《华尔街日报》说:“在一些领域,这些数据是非常有价值的。它们可以形成市场壁垒——让拥有数据的一方获得别人所没有的巨大商业机会。”她还补充说Google、Facebook甚至德国车企宝马公司等,因为它们正在积累的数据以及这些数据帮助它们抵达客户和降低成本,会对竞争对手形成不公平优势。
这一观点是这样一个概念的延伸。大家普遍认为,我们是用自己的数据来换取免费服务,而提供服务的公司可以很轻易地将这些数据转化成金钱——比方说,通过广告的精准定向投放来商业化。但事实是这种炒作转换为现金要比实际数据转化为金钱更加容易。
2011年,麦肯锡推出了一份报告,报告炒作了大数据的商业潜能,预测称它将成为“竞争的关键基础”。这家公司说如果零售商能够利用好它的潜能的话,可以将营业利润提高60%。这会是微定向(microtargeting)和“库存和定价自动对线上线下销售做出实时调整”的直接结果。
2016年,麦肯锡又弄了一份报告来调整上次的预测,称“因为缺乏分析人才”以及“企业内部的数据烟囱”,美国零售商只实现了大数据相关潜能的30%到40%。然而即便是这样的评价仍然是高估的论断。美国零售业今天的营业利润比2011年的时候还低了一点。哪怕是被麦肯锡在2016年报告中称赞为大数据技术早期采用者的沃尔玛,最近几年在营业利润方面也没有任何像样的增长。
没有大数据驱动出来的繁荣
沃尔玛最近几年的营业利润并没有反映出数据驱动技术带来了更大的回报
如果Google和Facebook使用的大数据真的帮助了制造商和零售商的话,那么在这些公司很强势的国家里零售收入应该会出现显著增长才对。但这种情况并没有发生。Google和Facebook倒是变得越来越大,但美国的零售销售却已经停滞,并且低于历史水平。
数据驱动革命?没听说过
美国零售销售复合年增长情况(剔除季节性因素后)
对于大数据炒作这个当然不是一个完全科学的论断。其他因素,比如经济加剧、经济条件等也会连累到数据驱动给零售利润和规模带来的增长。所以在缺乏对大数据对公司表现影响的最近研究的情况下,说这个结论不可知也许是谨慎的做法。从宏观层面来说,并没有这种效应存在的迹象——而且也没有明显受益的公司,除了那些专门销售其大数据知识的公司,比如Google和Facebook。
从直观上来看,分析客户数据显然应该能带来商业优势。2014年麦肯锡资助的一项研究发现,零售商一般都同意这一点。然而,这并不意味着我们今天所熟知的大数据——有关个人上网习惯、可追溯几年的购物历史情况、社交网络文章和互动的信息——可以给试图利用它的公司带来任何的优势。这种信息的一个主要问题是“垃圾进去垃圾出来”。此外,任何曾经买过比方说钱包的人事后都会被钱包广告狂轰滥炸几个星期,这说明基于历史的定向营销其实没太大意义。Google和Facebook的定向广告并不比传统媒体历史悠久的针对特定类型内容受众的宽松定向广告产品好多少。
当然,知识仍然是力量。有朝一日那些公司也许能收集到有关我们的足够多的有用信息,然后用到显著提升销售上。找到这种办法的公司将获得理所应得的竞争优势,这种优势像Vestager这样的监管者未必就能化解得了。我怀疑这需要客户和数据收集者进行合作:没有这种合作的话,会有太多的大数据是错的、不充分的或者根本就是无用的。比方说,如果大家放弃信息自愿性,就能拿到一点广告收入或者产品的折扣的话——就没有理由去限制企业拿这些数据可以做什么。
不过,在目前的情况下,使用蛇油并不能给你带来竞争优势。它只会让卖蛇油的人富得流油。监管者感兴趣的应该是这种企业——但反垄断者未必需要。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 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 ...
2025-09-04