1704272629
1704272630
1.在很多领域，既存市场领先者在其核心业务方面的利润被瓜分；
1704272631
1704272632
2.在很多成长性良好的领域，尤其是那些技术创新程度较高的领域，出现了许多新的市场主体。
1704272633
1704272634
投资者们亲眼看到了它们是如何改变消费者的生活的。他们亲身经历了在自己家的房子里，一堆电子设备是怎样从无到有的。他们能够回想起来，台式机、笔记本电脑，以及后来的平板电脑是如何占据越来越多的个人时间的。投资者们能够感受到，如果没带智能手机，他们晚上睡不了觉，白天出不了门。妇女们睡前越来越多地阅读电子书，而不是纸质书籍。或许，某位投资者（比如本书的三位作者之一）认识一个60岁左右的前集团董事，他给自己买了一部迷你折叠车，为的就是能够以最快的速度到达即行（car2go）的取车点，奔驰smart的后备厢较小，但正好可以容纳迷你折叠车。如果投资者们还未曾尝试过在线购买生活用品，那么他一定是认为，他的冰箱早晚可以先进到替他做这件事的程度。
1704272635
1704272636
同意识到生活中的种种改变一样，投资者们需要认识到，在一个以用户为中心的世界里，经济关系发生了怎样的改变。他们需要知道，某个企业是怎样横扫所有行业最终获得市场地位的，以及是谁掌握了市场前沿。投资者可以去观察，当亚马逊对消费者十分了解，而生产商却不是很了解客户时，亚马逊就可以牵着生产商的鼻子走了。
1704272637
1704272638
第三，投资者们需要看清楚，克莱顿·克里斯坦森20年前提出的“颠覆性创新”理论，就如同一个成规，言中了很多数字化变革中的企业的宿命。在空白市场中，新企业应该如何发展？市场领先者认为哪些业务是缺乏吸引力的？一些市场领先者在一开始会去嘲笑初创公司的技术弱点，而后为什么他们又转而认真分析这些企业了呢？在空白市场中，为了保持领先优势，初创公司里业绩表现较好的企业是如何在最短的时间内弥补自己的技术弱势的？凭借着先进的技术和商业模式，“颠覆性创新”型企业是如何跻身利润丰厚的核心市场的？而且时常会占领全部市场。经济史学家肯定知道这些。没有哪个马车生产商能够一下子变成汽车制造商，没有哪个大型帆船制造商能够完成向汽轮制造商的转化，也基本上没有哪个计算机硬件生产商能够迅速转变为一个经营数据的大企业。这时，（不得不说）IBM是一个例外！
1704272639
1704272640
1704272641
1704272642
1704272643
投资者需要时常思考一个问题，那就是：我到底在赌什么？我下多少注？这是一个衡量现在和未来的问题。在回答这个问题的时候，投资者们会有意无意地在拉帕波特第二部成功的著作中寻找到建议。这本书于2001年出版，书名是《预期投资》（Expectations Investing）。投资者根据预期进行投资的主要立足点，是通过谨慎分析企业未来的发展前景，来判断企业的现时价值，而这种价值在过去被低估了。目前这种论点获得了广泛共识。书中描述的预测企业未来发展前景的工具就是所谓的标准。以投资者的眼光来看，现时的股价对企业来说首先是一种低估的评价，这种评价不能促进企业的数字化变革。
1704272644
1704272645
以投资者的眼光来看，现时的股价对企业来说首先是一种低估的评价，这种评价不能促进企业的数字化变革。
1704272646
1704272647
另一方面，利好的消息是：一家保险公司为了维持市场领先者的地位，不一定非得成为谷歌。一家食品零售企业不需要具有像亚马逊公司那样的数字化竞争力。具有高利润值的电信企业也没必要像脸谱网一样那么了解自己的用户。但是，它们必须在它们所在的行业里成为智能数据冠军，比行业里的其他企业具备更强的数字化竞争力。
1704272648
1704272649
[1]德国大型时尚电商，主营服装和鞋类。——译者注
1704272650
1704272651
[2]Bestandsgarantie，在英文中是grandfathering，译为“祖父制”“祖父条款”。祖父条款是一种规定，它说的是，某些人或者某些实体已经按照过去的规定从事一些活动，新的法规可以免除这些人或者这些实体的义务，不受新法律法规的约束，继续依照原有的规定办事。——译者注
1704272652
1704272653
1704272654
1704272655
1704272656
智能数据：如何挖掘高价值数据 [:1704272159]
1704272657
智能数据：如何挖掘高价值数据 第3章 智能数据冠军——选择正确的数据是成功的基础
1704272658
1704272659
“每天，我们每秒制造出的数据量相当于美国国会图书馆全部馆藏的3倍。但是，它们大多数是像YouTube上的影片，或是像13岁小孩之间谈论下一部《暮光》系列影片的短信一样。
1704272660
1704272661
——纳特·西尔弗
1704272662
1704272663
聪明的数据使用者
1704272664
1704272665
亚马逊首席技术官沃纳·威格尔（Werner Vogels）宣称：“我们从来都不嫌信息太多，信息越多越好。”从理论上讲，这有一定道理，但从实践上来看，这完全是个谬论。
1704272666
1704272667
很多企业的IT系统都是满负荷运行。这些系统自然不是可任意延展的。给系统扩容往往会比预计的情况花费更长的时间和更多的费用。将数据和应用转移至“云端”，从技术上看同样也是很艰难的，而且基本上，花费也总是超预算。与此同时，还要考虑系统安全和数据保护问题。
1704272668
1704272669
纳特·西尔弗（Nate Silver）是统计学家和知名博主。2008年美国大选之前，他所掌握的数据量肯定远比手握大量预算的美国选情机构少。他在自己用虚拟名字申请开设的个人网页FiveThirtyEight.com上发表了他关于奥巴马将会获得第一次总统竞选胜利的预测。他准确的预测使电视上德高望重且手握大量数据的媒体评论员们显得十分落寞。实际上，美国50个州的投票结果被纳特预测对了49个，只有印第安纳州的投票结果错了。在2012年奥巴马第二次参选美国总统的时候，纳特准确预测了全部50个州的投票结果，其中包括了“摇摆州”和哥伦比亚特区。
1704272670
1704272671
如果世界上存在一种像诺贝尔奖一样的奖项，用于表彰过去一年中最聪明的数据使用者的话，那么纳特·西尔弗绝对是最具竞争力的候选人。评奖委员会可以在颁奖词中做如下描述：
1704272672
1704272673
纳特·西尔弗在经初步研究后提出了正确的假设，而后又根据这一假设挑选出了正确的数据。他遵循“试错法”来不断优化他本来已经很简洁的预测算法，使整个预测系统具备了自我学习功能。在与假设的不断比较中，他反复问自己：从人为估算角度来看，哪些关联是真正重要的？哪些关联只是出于预测系统统计方面的需要，才看起来显得重要？
1704272674
1704272675
对纳特来说，只有数据量少，他才能真正地利用这些数据。这位来自密歇根州不惹眼的统计学家的大数据分析成功事迹的迷人之处在于：事后再去审视，他对于选情的研究与人类基本常识相比，是一种变异形式。所谓的人类基本常识是这样的，一个小男孩跟他的父亲说，刚刚看到前面路上有5元钱，他的父亲回答道：“孩子，那现在肯定没有了，早就有人把它捡走了。”
1704272676
1704272677
纳特·西尔弗创造性地优化了选举结果预测，基本思路很简单，那就是群体智慧优于某一个专家的个人智慧。之前是因为令人难以相信，所以没人真正利用这一点。来源于多个选情预测机构的分析手段肯定比其中某一个机构的分析更能够给出接近真相的预测结果。如果将这种大数据分析理念移植到商业层面，那么我们可以得出这样的假设，即大数据分析的“硕果”藏得很隐蔽。
1704272678