你对大数据的认知,也许都是错的
自从美团王兴提出移动互联网下半场的概念后,大家在谈论每一个行业时,都要提到下半场,包括大数据行业。大数据的概念在这几年,火爆程度不亚于AI、VR等概念。
但是,作为一个大数据创业者,在谈大数据的下半场之前,现在互联网界对于大数据这个概念有太多误区。你所知道的大数据的概念,也许都是错误的。
大数据并不是在大,而是有用
首先,大数据并不在于其大,而在于质量,用通俗的话说就是有用。
大数据是一个比较泛的概念,大数据其实不是强调数据有多么大,而是有用。有用的数据才能称得上是大数据,有用就包括了规模、质量等各种综合性属性。
所有的数据都必须深度地与业务揉合。换句话说,创业者凭空想象的大数据模式一定都是虚假的。没有做过这个具体业务的人去谈合作,说如何帮到别人,这都是忽悠。
这个行业里有太多不可描述的事情,靠这个忽悠吃饭的人太多了。大数据领域,精准营销是一个被提及到最多的概念,没有之一,理论是大数据可以支持精准营销。大家都知道大数据需要规模,所有外行人看到的就是,你有这么多数据,所以你这个就是精准营销。但是忽视了一点就是,真正到精准营销前还有一个在中间隔着的,不是规模而是质量,而最终落地在效果。
这里面大家很容易忽视一点,就是大数据要做到支持精准营销,这里面对大数据是有约定的,数据的质量和规模同比都能达到的情况下,才可以实现。
规模在大数据这一行目前看做到不难,难在质量,而且质量是难以逾越的一道天堑。如果说DataEye从头再来,2年内只做到现如今的覆盖我觉的依旧没什么难度。但是,这种覆盖所获得的数据,能不能支撑所谓的大数据精准营销,这是关键。没有质量谈数据的商业化都是扯淡。
以游戏行业为例,在游戏里做大数据营销,或者放大一点在移动互联网做大数据的精准营销,其实收集的不外乎是人的一些行为数据。但真正能支撑你到后面变现的行为才是有效的,但这点并不是每个行为都能支持的。
所以在大数据行业里,无效数据和数据质量的监测是很重要的,这个我觉得是下半场的核心。它会影响每一家数据公司数据变现的效率,变现效率将会是下半场的赛点。
在接下来,如何高效地获得有效数据这对创业者的门槛将变得非常高。很多数据服务,比如说统计产品,不是拿到的数据都有效,我认为很多统计产品拿到的数据是无效的,甚至是没有任何商业化的价值。
创业者要关注自己最终数据商业化的落点在哪,如果是精准营销,什么样的数据是有效的呢?在这其中,高质量客户的行为数据对精准定位肯定是有效的。比如要推销一个潮品,你需要的用户不仅是个消费能力强的,而且是很潮的人,那么他就是一个高质量的数据。换句话说,如果产品都不能覆盖这些人(你商业落点的客户全体),覆盖的都是一些六七八九线城市的用户,这时候创业者跟投资者说看见没有,我有一两亿用户移动端行为数据,其实商业化根本无从谈起。所以我说的商业落点很重要,因为只有知道落点在哪你才知道你的数据质量该如何提升,究竟缺什么,该设计什么样的服务产品。
所以大数据的下半场,争夺的就是商业化效益,其中关键是数据质量的竞争。但想要高质量的数据或者高质量的客户,你就要提供高质量的服务产品,才能完成高效高质的数据积累。高质量的数据依赖高质量的业务,高质量的业务依赖于高质量的产品,三者相辅相成。
比如现在游戏行业买量、导量成本高了,于是需要更多的服务。开始创业的时候我们做了个产品叫广告监测,这个产品很简单,到16年之后就没怎么推了。因为我们觉得这个产品门槛很低,而且客户自己都能解决,很多客户已经自己解决了。有中小客户解决不了的,他可能用第三方。那在这一点上,我们必须提供高质量的业务或者产品。我们今年在产品布局就整个提升一个档次,提升整体数据质量,提升服务水平。
数据是客观的,也是最不客观的
在理论上来说,数据是最客观的,因为拿到的这些数据,都是通过设备等各种渠道采集的。但同时这也是最不客观的,因为人工可以干预并篡改。
在中国,纯粹的规模和量级很容易达到,有些人客观达不到,就通过主观的各种手段,哪怕是造假也很容易达到。所以说,数据规模这不是一个特别好衡量的东西,听上去太虚了。到现在为止,还会有些创业者喜欢说,他们覆盖的设备数量,然从十亿到几十亿台,甚至有的人说自己都快上百亿了,我在知乎里提过一个问题:请问中国的运营商一年入网多少台设备啊?大数据创业者太多,设备有些不够用了。
从腾讯离职,到现在我做大数据这么多年,随着项目的不断发展,对数据的感觉越来越深刻,数据这个东西真的很有意思,如果说它客观,它可能是这个世界上最客观的一个存在。但如果说它虚吧,它也最容易被修改。现在各行各业开口闭口都是数据,但是大家有没有想过,这个数据随时可以被修改。
这点不方便太展开说,具体原因你懂的。
这个阶段大数据核心不是技术,而是商业化
大数据创业到现在,决定最终发展的,其实不是大数据的技术,而是大数据的商业化。
上半场结束了,下半场竞争的是什么,我们确实一直在思考。想来想去恐怕就是商业化了。对数据源来说,不是比谁会忽悠,比的是谁更能赚钱,谁的变现效率更快。
不懂商业的创业者,一定是会垫底的,把大数据的坑填平的。中国不缺数据技术型人才,缺的是数据商业化人才。怎么样结合数据把它商业化,把这生意做好,这个是中国最缺的。
不仅是大数据,可能各个行业都是这样,现在缺乏真正的商业化。前面竞争已经基本结束,但真正走向商业是一道大坎。15年我在硅谷待了一段时间,见了很多以前在腾讯的兄弟,之前腾讯研究院的兄弟在google研究算法有不少,他研究的课题我看了,确实先进,但要说在技术上高多少也不见得,但是大家所展现的商业思维与探索,跟国内确实有比较大的差距。
现在在国外,有专门帮助客户做大数据商业化的公司。比如我了解的一个海外团队就是在帮全球各处运营商做数据商业化的。他们在海外做过的商业化的案子,包括门店、运营商、基站的选址,高速公路边上那种大的立柱广告的布设等等。
大数据的商业,最后一定是很简单直接的商业模式,越简单直接的商业模式越是一个好商业模式。纸面上的模式、数据等,那没任何意义。实践很重要,我看过太多大数据案例了甚至有些我可以告诉大家都是所谓的专家臆想出来的,相对于纸面上的案例我更喜欢踏实实践的失败例子。
整个大数据的上半场,大家拼概念、拿融资、收数据源,该拿的都拿了,数据源之争到16年基本上就收官了,格局已经形成。接下去的下半场就真的很残酷了,这拼的真的就是鱼死网破了。那下半场大家拼的是什么?拼的就是边际效应。既然圈了这么多人进来,那就得把这个闭环圆上,不然怎么收场?所以大数据下半场,就是拼变现和效率。创业者能等,投资人等不了。
大数据行业还有很长的路要走。现在很多时候都是看不清的,硅谷的《奇点来临》说,任何一个新兴行业最终都会有一个曲线。一个新兴的行业的发展一定都是波浪式发展的,一开始是高速发展,发展完之后进入调整期,然后再冲刺。大数据行业也是如此。当它经历低谷之后它会再次成长起来,那这整个行业可能就慢慢开始成熟了。而现在,我们处在离成熟阶段还有比较远的距离。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 5 Pandas数学计算 importpandasaspdd=np.array([[81,&n ...
2024-11-23数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21