京公网安备 11010802034615号
经营许可证编号:京B2-20210330
商业模式不清晰、难“变现” 大数据离盈利还有多远
在多数行业,大量的数据仍因缺乏可运营的商业模式而“沉睡”,无法盈利成为大数据产业化发展的瓶颈——大数据离盈利还有多远
“未来早已来到我们身边,只是分布还不均匀。”这是清华大学副校长杨斌对大数据领域现状的概括,他认为大数据已在我们身边,而非仅是对未来的幻想。
在4月10日至11日由清华大学、贵州省经信委等单位主办的2014中国“云上贵州”大数据商业模式大赛总决赛上,的确涌现了很多实用的大数据应用,获奖者们还分享了贵州省政府所提供的2000万元扶持资金。然而在多数行业,大量的数据仍因缺乏可运营的商业模式而“沉睡”,无法盈利成为大数据产业化发展的瓶颈,大数据离“变现”究竟还有多远?
商业模式不清晰、难“变现”
农业、建筑、旅游、金融、健康、公共服务……涵盖诸多领域的大数据应用在“云上贵州”大数据商业模式大赛上层出不穷。其中,获得一等奖的“东方祥云”项目设想为全国15万座水电站、水库提供免费来水预报,帮助合理调度用水,据估算可为这些单位信息化改革节省90%的成本;而“淘数”则设想建立网上数据商城,出售具有商业价值的数据;“蜂能”则试图通过智能用电终端采集设备用电数据,进行节电和需求优化管理,预计可实现节约用电10%~20%。
这些大数据的“新玩法”可谓超乎想象,但大数据的利用价值远不止如此。以中国公路物流行业为例,其市场价值已达亿万级,而90%以上运力为个体车主,空驶率达30%以上,集约程度较低,浪费了物流资源。如果依托大数据技术开发出集中运力的手机APP,就可提高配置效率,降低运输成本。然而,目前这一领域的手机APP多达200款,但能真正实现盈利的寥寥无几。
能持续盈利才能发展壮大成产业,这是大数据亟须“变现”的原因。但在大多数行业,大数据还没有找到适合的位置,“变现”难是大数据领域普遍存在的焦虑。“我们最关注盈利模式清晰,易于操作的大数据应用,但这恰好也是目前比较欠缺的。”赛伯乐投资公司董事长朱敏说。
数据壁垒制约产业化进程
在“云上贵州”大数据商业模式大赛上,贵州省向参赛者开放了智能交通、智慧旅游、电子商务、电子政务、食品安全、工业和环保7个领域的真实数据,成为我国首个开放政府数据的省份,这些真实的数据不仅吸引了众多抱有创业梦想的参赛者,也吸引了百度和阿里巴巴这样的互联网“巨鳄”。
“丰富的数据资源是大数据产业发展的前提,也是贵州这次大赛最吸引人的地方。”阿里巴巴副总裁涂子沛说,他认为贵州省政府对大数据的开放,是“拥抱了未来”。
“投资大数据领域所要考察的关键因素包括对行业的渗透特性、创业者对大数据的理解能力、行业小气候、商业模式实现的难易程度等。”清华大学数据科学研究院执行副院长韩亦舜说,这些都需要数量巨大且真实的原始数据作为支撑。
然而,由于经济、观念等原因,我国政府、企业和行业的信息化建设往往缺少统一规划和科学论证,各部门所拥有的信息缺乏统一的标准,形成了众多“信息孤岛”,而且受行政垄断和商业利益所限,数据开放程度低、共享难,也是目前大数据产业化发展公认的最大障碍。
需营造适宜生态环境
大数据的浪潮已经影响到了世界上很多企业。根据科尔尼咨询公司的研究,在过去两年中有超过45%的公司实施了商业智能或是大数据计划。在中国,围绕“数据财富”的鏖战已经打响——广州的“天云计划”,哈尔滨的“中国云谷”,鄂尔多斯的“草原的云谷”,北京的“祥云工程”,目前全国有20多个地区都开展了围绕大数据的云产业部署。
工信部软件服务业司司长陈伟认为,贵州所举办的“云上贵州”大数据商业模式大赛略显不同,“它推动了大数据从学术研究向商业实践的转变,为大数据的商业进程开了一扇窗,是大数据产业发展的正能量”。
尽管如此,大数据要“变现”,仍需要多方努力营造更加适宜的生态环境。
“首先要改变对数据隐私权的认识,隐私边界的界定是动态过程,绝对的隐私权保护体现的是世界静止观。”杨斌说,而极端的隐私保护会“以一种较为粗暴的方式”制约产业的发展。
他还呼吁企业开放其大数据资源,“如果中国银联愿意开放数据库,哪怕只是5天的数据片段,其开发结果可能是诞生一个远离金融但对民生产生重大影响的应用。”在他看来,大数据商业模式是难以预设方向的,而这才是包容智慧的力量。
中国工程院院士、国家信息化专家组咨询委员会委员邬贺铨认为,政府数据资源在安全前提下逐步有序适当开放,也有利于提升公众服务和社会管理,营造创新环境和释放商业机会,市民、企业和政府都将从中受益。
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在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16