数字化时代，规模不再是优势

传统经济形态下，往往规模越大的企业生存情况越好。产生这种状况的原因主要有三方面：其一是随着规模的扩大，企业的固定成本被分摊，容易在单位成本方面形成优势；其二是在企业内部可以进行经验复制，以及避免重复犯错；第三就是为企业构筑足够宽的护城河，达到足够规模后，进可攻、退可守。

然而在数字化时代，即便是规模达到垄断地位的企业，也有被瞬间掀翻的风险。弯道超车者不按照牌理出牌，结果把巨无霸般的王者甩在了身后。细细分析，形成这些现象的情况还不尽相同，数字化给我们的商业社会带来了很多新思考。

【信息流为先导的电子商务】

这是一个老掉牙的故事，但很有重温的必要。

多年雄踞全球五百强霸主的沃尔玛，全球共有8500家门店。沃尔玛充分利用规模优势，获得了无人能及的议价能力，而且依托其强大无比的信息系统，大幅降低物流等运营成本。如果再开一家连锁店，店面数量有限，因此进货成本和运营成本都不占优势，不可能打得过沃尔玛。

沃尔玛的核心资产是卖场，既大又密，货物齐全又便宜，常人难以超越。然而亚马逊设计的电子商务模式却开辟了另一条赛道：销售不在线下的实体店进行，而是在网上完成，并且根据这一特征重新定义了买东西的流程。

沃尔玛等传统零售行业是先有物流，再有资金流，然后是信息流。通俗地说，就是先将用户可能购买的商品运输到店面，然后客户购买商品支付费用，信息系统记录交易情况并进行分析，为下一次商品的运输和调配提供支撑。

而电子商务的模式是先有信息流，再是资金流，最后是物流。也就是说，用户先在网上筛选商品，再通过网络支付费用，交易完成后商家完成物流配送。亚马逊不用雇佣大量低端的收银员，不用理会大卖场的商品摆放和安全问题，尤其不用将大量商品无效地搬来运去，成本结构与传统零售企业不可比，很有可能更具成本优势。

如今，沃尔玛正在按照自己的模式和节奏优化运营，一边关闭数以百计的门店，一边又在开新店。亚马逊和沃尔玛卖同样的商品，但沃尔玛遍布全球的店面以及建立在规模之上的成本优势，完全无法阻拦亚马逊电商的崛起。

这在数字化兴起之前完全无法想象的。所以此后，无数的互联网企业叫喊着"颠覆"，试图复制亚马逊的成功，动一动传统大佬的奶酪。

【入口争夺战3.0】

还记得移动梦网么？那个时代客户进入到移动互联网的入口只有一个，就是中国移动。

那时，美国互联网泡沫的破灭让彼时中国的互联网产业遭受沉重打击，仅靠后向收入养不活自己。在没有移动支付的情况下，互联网企业想从最终客户那里直接收钱，只能通过运营商的渠道。

而那个时候，中国移动在GSM移动通信领域具有垄断性优势，因此当合作之门打开后，互联网公司惊喜地看到，通过中国移动的代收，用户购买数据增值服务的真金白银就成了收入。数亿中国移动的客户，都成了数据增值业务的推广对象，很多人认为，谁能和移动搞好关系，就意味着获得了资源和收入。我们称这为入口争夺战的1.0时代。

微信支付和支付宝的兴起，让移动互联网有了新的收费渠道，前向收费可以摆脱运营商了。这种情况下，各类从事信息服务的企业纷纷构筑入口，做好引流，然后或者去资本市场讲故事，或者直接将流量变现。门户是入口、电商是入口、微信是入口、搜索是入口、视频是入口、地图是入口，后来发现终端也是入口、汽车也是入口、共享单车也是入口，甚至连一个解锁手机的软件都可以成为入口。

这就是入口争夺战2.0时代的状态，企业不断砸钱竞争或收购，希望自己的入口最终成长为垄断性的。但随着时间的推移，大家渐渐发现，花重金打造的入口竟没有黏性，被免费吸引而来的用户看着规模很大，但极其脆弱，稍不如意或者看到新的诱惑，转身就走。

在流量越来越贵、移动互联网入口的竞争越来越激烈的背景下，进到了入口争夺战的3.0时代：企业不再简单追求持续扩大规模，少做甚至不做无意义的争夺，上下游企业以开放的方式互相导流，加强合作，和气生财。

都是规模超大的企业，合作时也并非完全平等。同样是在终端上安装APP，有的时候是终端企业付费购买APP，有的时候是APP花钱求终端预装。同样是做联合促销，有的时候是运营商向OTT支付酬金补贴，有的时候则是OTT向运营商支付费用才能获得合作许可。

这种游戏规则之下，规模可以是做好企业的基础，只有做到一定规模才能拿到入场券；但只有规模是远远不够的，达到一定规模之后，就要寻求与其他企业的合作。产业链上的玩家合作，谁的开放性更强，谁在客户那里更有话语权，谁就更容易成为3.0时代的赢家。

【大数据的边际谜团】

"边际"是经济学中的一个重要词汇，往往与"增加一单位产品"有关，包括边际成本、边际收益、边际效益等。如果企业增加一个单位产品发生的成本低于该产品产生的收益，边际成本低于边际收益，那么企业就可以继续通过扩大规模来提升企业的经济效益。

大数据平台与众多IT系统对接获取数据，规模越大，边际成本越容易被摊薄。而且数据复制的成本很低，因此理论上一旦形成了规模超大的平台，基于平台里的数据进行分析，边际成本几乎为零，边际成本远低于边际收益。

实际情况下，要不要为了新的应用和场景而增加数据呢？因为对于大数据平台来说，如果需要增加新的数据，就要考虑新数据的采集、转换、处理和存储等一系列问题，而这些动作带来的成本变化，往往远大于新应用产生的效益。

所以问题就转换为，大数据平台的数据够不够用？

随着技术的进步和业务的发展，运营所需要的数据一直在不断扩充。比如客户数据，最初客户的基础信息只包括姓名、联系方式、身份证号码等，是以KB为单位的。后来要想做客户画像打标签，一个客户的信息以MB为计量单位。而为了得出分析结论，需要积累用户的服务使用记录和行为轨迹、甚至把网页内容爬下来，这就是GB甚至TB的数量级了。

如果数据规模需要持续扩展，那么无论是系统对接还是数据的转换处理，需要额外的成本。更何况很多系统的接口还是个性化的、很多数据的内容还是非结构化的。所以一旦需要引入新的数据，边际效益多半就成了负值。

这样看起来，数据不足将导致边际成本大于边际收益，成为赔钱的买卖。必须满足"数据规模大到数据足够多"的条件，才能持续赚钱，那这种模式是什么呢？        

那就是"基于现有的数据规模，各种应用场景和分析需求轮动，不同的企业需要雷同的大数据需求。"

如果无论多大规模的平台都不能做到数据完备，那么大数据的规模效益是不是个伪命题？