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
在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 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 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-05-21在数据驱动决策的时代,数据质量直接决定分析结果的可靠性与准确性,而异常值作为数据清洗中的核心痛点,往往会扭曲分析结论、误 ...
2026-05-20 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-05-20Agent的能力边界,很大程度上取决于其掌握的Skill质量和数量。传统做法是靠人工编写和维护Skill,但这条路很快会遇到瓶颈。业务 ...
2026-05-20在统计分析中,方差分析(ANOVA)是一种常用的假设检验方法,核心用于分析“一个或多个自变量对单个因变量的影响”,广泛应用于 ...
2026-05-19 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-05-19想高效备考 CDA 一级,拒绝盲目刷题、冗余学习?《CDA 一级教材知识手册》重磅来袭!以官方教材为核心,浓缩 13 章 103 个核心考 ...
2026-05-19在数据统计分析中,卡方检验是一种常用的非参数检验方法,核心用于判断两个或多个分类变量之间是否存在显著关联,广泛应用于市场 ...
2026-05-18在企业数字化转型的浪潮中,很多企业陷入了“技术堆砌”的误区——上线了ERP、CRM、BI等各类系统,积累了海量数据,却依然面临“ ...
2026-05-18