比 较常见的答案是：数据分析就是分析数据。那么怎么分析，分析什么呢？显然这个答案没有回答实际的问题。然而，正是这种含糊其词的状况，笼罩在业内，尤其是互联网行业的数据分析领域。似乎数据分析的诉求不断的提升，但究竟分析什么，用什么分析，分析的结果如何应用，不要说想清楚，恐怕连想都没想过。

在 我看来，数据分析不是一项工作，尤其不是从后台取个数据，做个图表的工作，而是一个产品，能够满足某种实际工作需要的产品。比如数据指数系统，用来指导运 营工作，让运营的同仁能够基于指数来评估自身工作的增益或者不足，进一步通过数据钻取来了解指数增加或减少的原因。好吧，这还是有点拗口。举个第三方的例 子：电视是一个让用户休闲的产品，把数据分析想象成电视吧。

数据分析中，窃以为最重要的事情，就是明确数据分析的目的是什么，就像上面电视 的例子一样，要明确电视用来干什么，别诧异，玩游戏，看电影，看球赛，看肥皂剧，唱KTV等等的用法都会使电视有所不同。因此，数据分析的目的决定了不同 的方式方法，出发点永远是如何指导工作，无论是最基础的了解现状及趋势，还是机器自动学习的算法改进，永远如此。

说到这，数据分析这个“产品”会有什么用处呢？太多了，多到让人太容易迷 失，数据会让人的野心暴涨，看到了指标A，会想着指标B，了解了这些，又希望钻取，这满满无期，虽然也有价值，但是投入产出非常不合理。因此，数据分析这 个产品，给用户的应该是”知识“，在没有转换成知识之前，所有的数据都是无价值的。我突然告诉你今天华氏105度，你觉得有价值么？

说到知识，最好的转换方式无非是6个字：图形、对比、钻取。一图胜千言，指标增长还是减少，与自己对比，与控制组对比。当发现这些变化时，进入维度中观看不同的水平，是哪种水平导致了这些变化。其实非常简单，简单到比培训什么同比、环比、均值、众数、方差、高斯分布、ANOVA、非参数统计、因子扭矩还带个旋 转、贝叶斯分布等等等等简单的多。

一定要目标导向，而不是工具导向。后者很可怕，我曾经遇到过一位同学，他很happy的告诉我他要用 SAS，我问为啥，答案是可以编程。我说好吧，心想真有米，要多么复杂的模型啊，实际上这复杂的模型就是描述统计量的计算。忘记工具、忘记模型，用目标来指引工作，假设要转化的知识是给的哪些用户，他们的业务场景假设是什么，是需要看数据来评估绩效，还是需要数据来改进工作等等。然后把知识告诉他，这就完 了。如果说真要让我推荐个什么工具，我说SQL\python\R\SPSS\Excel随便挑一个都行，如果不行，随时来找我。

这么来总结吧：数据分析，就是将数据转化成知识的产品。所以，不应该有数据分析师这个角色，而是产品经理这个角色。

个人看法，仅供参考～

一个合理、高效的BI体系要达成的目的是：

1. 让团队向数据人员提需求的频率极大降低，有更重要的事情等待DBA和数据分析团队；（今天不题这部分）

2. 团队每一位同学都能可以自助的完成数据的查询与质疑，便于时间序列上的对比，控制组的对比，不同维度下不同水平等的各种对比；所需查询的数据与维度要精简，易于操作；

3. 基于数据的“知识”共享。数据重要，但在没有转化成知识之前是没有价值的。诚如明天天气40度，如果不告诉你单位，或者没有这个测度下知识时，数据毫无价值，但若能将其转化成“天气很热”这样的知识，则有重大作用。进一步分享，则善之善也。

现状却是，很多BI系统偏离了这样的目标，遁入了一些看似有道理，但却如泥潭般，越陷越深的误区：

1. 重视报表，而不重视数据基础架构和ETL过程：以领导或客户的需求为导向，数据从体系变成了孤零零的数据。依旧以天气预报为例：如果BI中所展示的数据，是跟现在的天气预报以每天为粒度，不同地区的天气呈现，所有的数据以报表呈现，而不同对地区数据进行钻取，更不能选中一个地区，做出时间序列上的判断。这样，或许满足了一些人看一下现状的需求，但这种需求距离目的有多远？

2. 需求导向，而不是目标导向： 需求的提出方永远有无数的需求提出，而这些需求真的有用吗？不假判断，只会让BI系统中的数据越来越多，噪声也会愈演愈烈。久而久之，用户（大抵上就是需求提出的同学）会觉得用起来简直是受罪。如此有害无利的事情，始作俑者竟然是需求提出后，不做评审，做剖析目标而一味地满足需求。

3. 数据贪心心理，数据越多越好：数据在转化成知识前，一文不值。BI中充满了各种数据，各种报表。即便所有的数据都通过了评审，确定了价值，但大量的数据也会让查询过程成为杯具。不要说知识，恐怕连查询效率都不能满足。数据绝非越多越好，KPI也好,KDI也罢，那个K是关键的意思，不宜超过3个。BI中的数据就应该是比基尼，多了反而不好。

4. 无知识，仅数据：苍白的数据是不会撒谎，但你也不知道它在说什么，即使知道了，其他人呢？知识比数据有价值，智慧比知识有价值。别让BI成为最基础，也是最没用的工具。

窃以为，BI系统的要义在于：

1. 基础建设最重要，ETL过程、数据仓库、统计库缺一不可：

千里之行，始于足下。若想提高数据质量，让数据更加接近于知识，数据基础建设必不可少。通常情况下，BI系统宜基于一个轻量级的应用数据库（可以称之为统计库），该库是日志通过ETL后，存储入数据仓库进行计算的结果。用户通过BI系统查询提供数据同时，也可以根据自己的需求来对统计库进行临时SQL查询。可以说，数据仓库是基础，而ETL过程则是数据仓库维持质量的根本。只有完善了数据仓库的建设，才能高效的计算出统计库，进一步通过展示和临时查询。 三者缺一不可，万不可想当然的觉得直接日志计算就能得到结果，而忽视ETL过程，且不存入数据仓库，直接将结果存入统计库。如是的话，BI系统的质量将无法保障，日后的维护将非常可怕。

2. 产品经理去评审、控制需求，BI系统只提供最核心的数据：

80：20原理用在BI上并不适用，窃以为应该是95：5。即5%的数据代表了95%的价值。将需求控制好，只提供最核心的数据信息查询即可。越多的数据，越难以查询，越难以理解，更加难以维护。所以说，产品经理非常必要，需要他们来保障BI系统在使用时是顺畅的，而不是一场噩梦。

3. 人人完善的交互知识体系：

数据了解过去，预知未来。数据推翻或者验证假设。如是种种基于数据转化而成的知识才是BI系统应该带给团队的。诚如上面天气预报的例子，下不下雨和一堆卫星云图参数，谁更有价值？不言而喻。而在企业内部BI系统中，建立基于权限控制的人人可参与交互的知识分享机制是非常有必要的。比如数据的波动原因，这样的知识可能需要了解该业务的同学来分享。BI最终带给用户的一定是精炼的、基于数据的知识，而非一坨数据。

4. 数据可视化：

基于数据分享知识是重要的手段。数据可视化也是将数据转化成知识的重要方案。所谓一图胜千图，诚哉斯言～常用的视图也非常简单，无非是折线图、散点图和地理信息图。不要弄的复杂，但要谨记，视图比报表有用的多。

以上均是我在日常工作中的一点陋见，简单的写下来分享给各位，殆有偏颇、错误之处，亦属难免。兼听则明吧：）

一些时髦的称谓，如博客元年、微博元年等，我无意去考证，亦无心去争第一批用户的名头，从2004年在MSN Space骚包开始写博客，2007年开始独立博客，衷心感谢每一位阅读者。我不知道为诸位带来过什么，但某窃知诸位给我带来了很多，由衷感谢！

几年来，我从一个初出茅庐，涉世未深的数据分析从业人员，逐渐成长为在互联网行业内有一定观点和看法的数据驱动型产品人员。时至今日，有更多的陋见希望能与大家分享，希望能得到各位的批评指正，更重要的是，写作是我生命中重要的组成部分，我希望继续坚持下去，让melonlab能够维持下去。好，博客不在乎新旧，就让“瓜园恒久远，分享永流传”吧～

关于以后要写的东西，也许不会再像之前那样，信手拈来，无主题之选；随性而为，糜方向之分。而是会侧重一下互联网领域中的数据分析和产品学习。望大家能不吝赐教。

最后欢迎大家收听我的新浪微博 : weibo.com/hannus

谢谢大家～

1.什么时候用多维度OLAP?

多维度OLAP在让数据透彻的同时，也会造成数据碎片的风险。因此，使用OLAP时一定要有目的的使用，比如在验证或推翻假设检验时对比项（控制组）的选取，抑或探求某一维度下具体指标值。OLAP可以增加数据的分辨率，但也会使数据碎片化。在数据贪心心理的作祟下，谨记在明确目标下再使用多维度OLAP。

在没有明确目的，但要探索数据时进行OLAP，一定要先在目前计算性能允许下，设定好数据的分辨率（如一层维度）。通过这样来利用OLAP对数据进行探索。

OLAP大多数时是供整个团队来自助查询的，这部分功能不宜过分延伸，因为数据计算成本很难让团队成员充分理解。一言以蔽之：OLAP要么在有明确目的下，要么在明确限定下使用。

2.OLAP的目的：

随之而来的问题是OLAP的明确目的是什么? 如果说数据分析的目的是为判断决策提供逻辑依据，那么OLAP即是为这些逻辑依据提供分析用的原材料。一个指标值突然的显著变化，我们的目的绝不是说看遍所有维度，所有水平的指标表现，这是一种低效的方法。而宜用相关性高的维度中可能影响的水平下之数据，去推翻或支撑备择假设。如A指标在过去30天内环比波动在3%以内，但最近2天波动却达到10%，对这种异常首先进行假设，而后利用OLAP所呈现的更细粒度数据对假设进行论证或推翻。

OLAP很难解决问题，但却是解决问题道路上的重要工具。

以上拙见，仅供参考。

很明显的例子是早期的淘宝数据魔方，依托淘宝洋量的数据，在完成产品改进或运营提升的效用同时，产生了大量有价值的数据盈余。这些数据暂时还没有成为产品，但依稀可见的潜在价值变成了今天的TOP。同样的例子，在新浪微博中亦可寻端倪。

数据让产品可以量化，而数据盈余可以帮助人们找到产品新的利基。听上去很不错的东西，但实际操作上有很多掣肘因素：

1.数据贪心心理的压迫：团队对于数据的渴望，大于了目前所能承载的能量，因此数据人员为满足需求而无暇进一步对数据架构、机制和表现进行演进，继而无从谈起数据盈余；

2.可视化不足：数据终归是数据，距离让人进行决策的知识还存在着距离。报表抑或千篇一律的图表，能帮助多少人读懂数据？有多少次将数据提供给同事，他们会向你确认其中的意义？没有蠢人，只有不够好的产品，数据本身当然也是产品。通过可视化，让数据更接近于知识，帮人更是更己；

3.架构的腐败：夏虫不可语冰，老虎也不会爬树。一个不合适的架构会让后期的数据缓慢（其他产品亦如是），故障若干，但改架构是痛并折腾的。即使起初的架构因各种原因成为既成现实后，也要更改，南辕北辙，亡羊补牢，犹未晚矣。

云计算必然是大数据量下的计算，必然会对及时性严格要求，必然会产生数据盈余。首先，数据先要信手拈来，而后，尽快可视化以求金蝉脱壳。这时，数据盈余就会出现，让这些盈余增值给云吧。

数据驱动的团队，是个多么有吸引力的名词。然而，说说总是比做到困难的多，在前往数据驱动的道路上，最可怕的不是数据及时性不足，亦非数据的分辨率过低，而是被表面上数量化掩盖住了数据建设的长期规划。

这种情况比比皆是，当通过数据测度，将若干关注的指标能够通过数据精确的表达出来之后，所谓的数据驱动假象就开始逐渐扩散，越来越多天马行空的需求不断提出。“既然已经有了数据和专门做数据的人，那么一切数据的获取成本都可以接受”的思想开始蔓延。久而久之，一种不考虑成本情况下希望快速获得目标数据，而不是考虑最终结论/推断的“数据贪心”心理将会对数据驱动型团队建设毁灭性的打击。即便满足了所有的数据需求，那也仅仅是通过满足需求而将问题所掩盖，长期来看，数据工作就像是订外卖一样，按照需求来下单。然而，成为营养师，才应该是数据驱动的目标。

个人看来，提供数据，仅是数据驱动型团队建设过程中的一个结果，远远不是目的。一个成熟、良好、高效的数据驱动型团队的数据建设，宜从如下三个层面深入发展：

1. 数据测度化：也就是有数据，让目标指标测度化，用数据进行量度，并将数据存入数据库，供任何时刻的应用，同时将尽可能多的维度加入其中，经过ETL，以实现理论上的多维度查询和无限度的钻取或切片。有了数据，团队所面临的最紧迫问题也有了答案。（当然，不要忽视数据的检验这一最关键的工作环节）而后，基于团队的规模，对数据进行适当的积累，让数据足以反映现状。对于数据的测度化，这些就足矣。如果在测度化上投入精力过多，比如把理论下的Cube OLAP实时查询，实现最高分辨率的了解数据当作一个目标，那么必然会将有限的资源投入到其中，使得无从进行更为重要的数据探索，进而对N维的数据无从做起维规约，极大降低数据获取和分析效率，让绝大部分精力集中在效果有限的高分辨率的具体数据查询上。届时，数据建设就真成了可悲的外卖，你点什么送什么。虽然能够果腹，但长远来看，却牺牲了数据建设。

2.数据探索及可视化：数据探索是指了解测度化的数据（存储于数据库中的数据）。与不断接受需求来实现了解数据不同的是，数据探索注重的是“聚合”，而非“细化”；而数据需求多为零散而细节的要求，两者恰恰相反。后者虽然能了解到数据的细节，但往往会因分辨率太高，而忽视了整体。

在数据探索中，首先宜用一些描述统计对可测测度的数据进行了解，如求和、均值、方差、众数、各级分位数等等。我们通过求和知道了数据规模，通过均值了解平均水平，通过方差认识到波动水平，通过各级分位数明确了数据的大体分布情况，峰度和偏度则佐证了这个变量的正态性如何。通过这样的“聚合”，数据已经变得心中有数。

其次，在充分了解了数据整体情况后，要对数据中众多的维度进行规约。一种崇拜多维度下交叉分析的情况在数据分析过程中越发明显，多维度分析当然没错，但是教条的多维度分析则是错误的做法。高相关性（无论正、负）的维度变量，应该尽早通过线性组合来实现降维，及早的降维会让日后的工作事半功倍。

最后，在了解了数据总体情况，并将数据的维度减少之后，对全新的数据就要开始可视化的操作了—-将我们已经熟悉的数据通过图形化变现出来，图形是锁在人类内心深处的基础技能，因此，可视化能让数据的阅读门槛大大降低，并提高监控效率。我们的不断努力，就是要将辛苦得来的数据让人无障碍的阅读。复杂的报表，会让人阅读起来无比头痛，进一步致使数据工作人员要不断的进行解读。出于数据工作的整体战略和资源（往往是稀缺的）考虑，为了进一步专题的分析数据和数据挖掘，数据统计结果越能自助处理越好。可视化数据要重点体现的成果是：矩阵散点图来表述不同维度间变量（指标）的分布；柱状图来表达某一个变量（指标）的积累分布情况……

数据驱动型团队需要取舍，就像一切的工作一样。多维度、高分辨率的实时查询诚然有用，但并非在建立数据驱动型团队初期的目标。通过上述三个方面的努力，在数据饥渴的团队中，可以最大程度的满足需求，并不妨碍整个数据战略——去实现数据驱动，用数据来评估运营、市场、产品、人力资源。因此，完成了数据驱动型团队的第一步之后，接下来要用不同的主题分析来对前述情况进行支持。

最后，用一个例子来结束这篇博文：当航船找到一块新的陆地（旨在数据驱动的团队），尽管了解这块土地的一切（数据驱动）是终极目标，但在生存的压力（资源有限）下，首先要登陆（测度数据），并了解这块土地上的大致地貌地形（探索并聚合），其次，对这块土地进行探索，对这块按照特点陆地分区（降维），进一步绘出地图（可视化），让所有的船员都能“按图索骥”去生存下来。

机会诚然如此，但是在此机遇间，也会存在着一些误区，正如同互联网刚刚起飞之时，传统广告模式凌驾于互联网之上时的水土不服，也如同web2.0大行其道之时，针对性不强的广告难以发挥出作用一样。移动互联网广告的模式与传统互联网广告虽然是系出同门，但还有所差异，如若不察，很有可能会出现前述的问题与困境。

误区一：移动互联网就是能将广告随时推送给用户的机制：

相关的广告推送给相关的人，这是基于数据的互联网的伟大之处。广告对于有用的人，会认为它是信息，而对于无用的人，广告就是垃圾。而移动互联网随时随地的特点，会让人们产生既然我们可以随时随地的提供服务，那么，也可以随时随地的加上广告了。这种主观且伤害用户感情的做法最好不要去碰。在移动互联网还没有兴起之前，短信广告的例子就让人们深恶痛绝。因此，切忌将移动互联网这个随时随地的平台，当作是一个随时推送广告的渠道。正确的做法应该是向用户提供相关的广告，宁缺勿滥。

误区二：无偿使用APP，那么使劲上广告吧

曾经有人说免费就没有理由抱怨，所以既然我们的产品是免费的，那么加上广告，大量的广告。用户不要抱怨，因为是我在免费提供给的，不加广告开发人员无法生存。听上去符合逻辑，但这还是伤害用户感情的事情。这是我认为在移动互联网上最不能碰的红线。因为移动终端太普及，也太容易传播了。就像iphone能迅速打败Nokia、RIM和Palm却难以撼动PC，移动终端容易传染一样，对于移动终端上的产品和广告，无论是好的情绪和不好的情绪都容易扩散，因此，让app被广告所包围就是一个不智的选择了。

如上所述，似乎移动互联网的广告束缚如此之多，那么该领域宜如何进行广告机制的设计呢？当我们换一个角度来审视问题时，就会发现机会往往在于问题的解决和延展。在探索之前，我们不妨来梳理一下移动互联网的特点，从中发现一些原则：

1. 移动互联网使得真实的地区属性成为用户的要素之一：

移动互联网终端的特点，让用户的地区属性成为要素。也让不同区域显示不同信息的情况成为现实。试想一下，当你走在某个街区时，显示临近餐馆的信息，甚至是临近人发送的公开消息，这样的体验无疑是会受到追捧的。更进一步说，移动终端能够从硬件上实现与人机动性的结合，如此便使得用户、信息和人能够相互结合与互动变成可能。在此之下，交互不再是一维的人机对话，而是二维的人、地区、系统的沟通。

1. 移动互联网是消费平台而非使用平台：

由于移动互联网的终端限制，在移动互联网上偏重的是消费，而在桌面级的传统互联网上才是信息的创造。因为这样的属性，移动互联网的信息应该偏重消费型的，比如视频类网站应该是看视频，而不是上传视频。当然不是说完全不要交互，只是限于输入，存储等原因，交互不是最核心的要素。既然如此，那么移动互联网喜爱的“消费”和传统互联网下的“创造”就要结合起来，各种各样的同步和私云已经不绝于耳。在PC上处理之后的东西，在手机或平板上能够很轻易的进行同步和处理。因此，移动互联网平台上的广告抑或其他应用，万不可忽视在桌面应用中的同步。

1. 移动互联网与传统互联网不是相互取代，而是相互补充：

正是因为有同步和私云，移动互联网与传统互联网应该相互补充，而不是相互取代。不会有人仅用平板上网，更不会有人永远拒绝手机浏览。两者的相互补充，体现在了应用程序上，比如即时通讯类软件和电子杂志，当然，也可以体现在广告能上。一支同一产品的广告，可以分别在不同终端上显示，但是，应该有所分别。移动互联网与传统互联网会因为同步和私云而统一。这样的统一在使用户有完美体验的同时，也给了广告上一个长体系的机会。

在梳理了移动互联网的特点之后，我们不妨来构想一下移动互联网的广告模式：

1. 聪明的相关广告：

为用户提供相关的、对人们有用的广告，这样的广告是信息而不是垃圾。如何提供为用户有用的信息呢？首先，要了解用户。移动互联网的特点决定了我们能够在用户允许的情况下了解用户的地区信息，基于这些信息，我们可以推送出与地点相关的广告信息，而不是将所有的信息，在任何时刻都进行推送。配合其他的统计数据，我们能够为用户提供出对他们有意义，不伤害用户情感，同时能够精确评估广告效果的广告产品。何乐而不为哉！

1. 云中的广告：

移动终端与桌面终端的同步，是目前使用体验的极致。试想一下，当用户在移动终端行看到一半的视频，在桌面终端上接着看完后，进一步进行点评，而后在外出时利用碎片时间来与这些点评同步，这样的体验当然不错。问题来了，这个过程中，广告如何投放才能不伤害用户感情，同时能够与这个体验相互匹配。还记得某洋酒的连环广告么？一共5集，让人欲罢不能。在这种终端切换过程中，在用户的私云中，可以设计连环的云端广告：在移动终端上显示一个版本，在桌面终端上显示另外一个版本。让用户感兴趣，从体验的角度将广告升级。如前面的例子：我们在用移动终端观看视频到一半，要切换到桌面时，比如出现了某航空公司的广告，说飞机即将安全着落。当切换到桌面时，广告切换为飞机顺利着陆，我们已经为xxx位用户提供了xxx次安全、舒适的航空服务。

对于移动互联网广告，我的认识是不能伤害用户感情，因为移动终端用户的选择过多，而且选择的成本更低。所以，广告不宜狂轰乱炸，更不能拿免费使用当作加入广告的理由。 移动互联网还处于起步阶段。广告的发展和方向还有无限的想象空间。我们有理由相信蛋糕会越来越大，而广告产品也会越来越精良。

本文刊载于2011年8月份的《广告大观》

但现状往往不如人愿，尽管不同平台上的浏览器性能已经非常接近，但通过应用软件来保障不同硬件差异下的使用体验，而非浏览器的方式仍为主流，web app始终被认为是一种访问的内容，而不是一种完成某项需求的软件。正因为如此，全人类耕耘数十年所创造的巨大资源，被无情的浪费，与此同时，为了应用而应用的目的，也在扼杀互联网的初衷—-无界的互联与沟通—-企图将用户囿于某一系统之下。

这种情况似曾相识，windows和mac os的完全不兼容，让人们唏嘘不已，时过境迁，本以为在互联网时代，人们将通过浏览器来与世界交互，但残酷的现实让它还停留在梦想阶段。问题的根源在于web端的显示效果和体验过于倾向于桌面平台，一旦分辨率有变化，体验立刻下降，即便通过最优质的多触点，也仅能是有限度的改善。

于是乎，苹果发现了问题，所以用app来解决一切，但他们也发现了新问题，iphone上的应用程序在ipad上就是噩梦，同时，也不能在其骄傲的macbook air上完美运行。当然，android更是如此，过于丰富的产品线，让其智能手机间的软件兼容性都存在问题，更不用说7寸、9寸、10.1寸的平板间了。

我一直认为，移动互联网将在私云的协助下极大的发展。最终人们的终端将分别扮演不同的角色，如电视上看视频，PC上修改视频，而移动终端评论视频。最大的平台是浏览器，这一趋势不可逆转，而在当下，似乎用浏览器来完成前面的例子几乎是不可能完成的任务。因为，硬件的差异让体验不同，也让统一变得非常困难。

然而，问题并非无解，从个人的角度上说，palm webOS(已被HP收购，现在称为HP webOS)是这个问题最好的解决方案，Enyo框架能够在不同的分辨率下自动切换，不单单是字体大小，还能切换布局和显示状态，同样的内容在PC的浏览器和移动终端的浏览器中显示效果不同，但都最大化的满足了使用体验。我想，这就是云时代的基础。

试想一下，在您的客厅的电视中和手机里访问同样的内容，兼顾体验的情况下，完善用户体验。这是件多么美妙的事情。一切都通过云相互连接，没有人再被操作系统所舒服，web app将成为我们日常生活的重要组成部分。打开浏览器，打开时间！

希望这天不会很远。

聚会中的人们看微博的比例更高，似乎他们的目的不再是与坐在对面的人增进感情；随时随地的搜索似乎比问旁边的朋友更加可取，以上种种，在几年前，几乎不可想象，而今天却已经司空见惯。关系——这一营销的核心已经被彻底颠覆。在这种颠覆之中，越来越多的企业会进入，基于移动互联网来维护关系，因此，在可预见的2年内，基于移动互联网的营销方式与手段将大大拓展创新，诸如位置信息等移动互联网的特点也将更加强化的应用。

我们在拥抱未来的同时，未来也在拥抱我们。通过网络来与人相处，变成了人们交往基础的同时，让关系被彻底颠覆。商业机会的关系必然也在其中，如是的机会林林总总，现在的感喟是望穿秋水，然而没有实践，很快感喟就将换作时不我待。

搜索、获取第一手的资讯的上网目的在移动终端上显然不是核心应用，无论是屏幕大小还是人机交互的机制，都在制衡着这种体验。而分享则不然，便捷的移动性，协助用户随时随地的进行分享，更进一步地进行沟通，不要忘记，移动终端的初衷就是沟通。于是乎，移动互联网从使用习惯的层面，开始与传统互联网有了差异。这就像是麦当劳和全聚德的差异一样，尽管都是用餐，但用户的期望不同。

正因为如此，移动互联网所带给业界的机会，应该是相对细化的产品：查询、欣赏的内容索取与分享沟通的交互体验。相信随着终端的细化，PC/MAC一统江湖的情况将被颠覆，人们接入互联网的终端将平均的分配至电视、手机、游戏机、汽车、甚至于手表之中。所以，基于这些差异化的硬件，差异化的服务也应该出现。

比如，我们看在线视频时的首选应该是电视或者桌面级的电脑，但发烧友们不会放过移动互联网的机会，而事实却是当下移动看视频是件奢侈且差体验的事情，然临渊羡鱼，不若退而结网，移动终端上的视频评价、推荐和收藏服务能够很好的延展产品线，维护产品的黏性。

云概念已经被炒烂了，提供一个存储或者同步就说是云计算，窃以为略有偏颇，真正的云计算应该是协调众多计算资源的机制，让云内每一个节点都发挥出最佳效能，这才是最好的情况。诚如上面的例子，云计算不是说你用pC下载了视频之后能够同步到移动终端去欣赏，更不是存储在云端后用什么终端都能欣赏，而应该是桌面级应用发挥桌面级应用的计算能力，而移动终端发挥移动终端的计算能力。

移动互联网不是镜花水月，并非因为手机上网用户的不断增加，而是在于这些移动终端的增加，往往能够让每个人都能建立起自己的私云，进一步平衡索取与沟通分享。把移动互联网用户和传统互联网用户分割来看，一叶障目矣。