上次说到从不可预见到可预见，从收益到风险；内部数据以及外部数据。那么今天说说公司的实际数据使用现状，我们以最对数据敏感的电商为例子。
数据，围城
在淘宝中，很多的店主认为“如果不到万级订单量，在基数这么低的情况下，数据分析有什么用处？所以，根本不需要大数据。只有淘宝本身、京东、亚马逊这样级别的电商公司才有海量数据，也才有资格去谈论及使用大数据。”
可是事实上，现在的电商企业日均能达到十万单的少之又少，在有海量数据积累的基础上，还要有一套优秀的BI系统，而且必须是根据公司的产品特性及供应链策略需求定制，才可能实现大数据。
对于现在大多数的电商企业来说，根本一时半会儿走不到这一步。宏观调控在小市场的确有效，一旦市场变大便依赖市场化。在企业较小规模阶段，具有一定经验的“拍脑袋”式决策的确效率最高。这造成不少企业对自身的数据一开始就没有一个标准化运营、收集、分析的意识，直到企业规模不断扩大，反过头再来谈大数据，多数只是痴人说梦、纸上谈兵。
以库存数据举例
大型制造企业或者电商企业还有ERP这种主要工具帮助处理库存，而淘宝的商家或者小型企业对自己库存的即时数据并不了解，更不可能清楚库存销售的利润。往往出现这种情况——库存都是卖不掉的货，好卖的货早已经断货，而发现问题时，已经来不及清仓或者补货了。如果光看库存，会发现指标挺健康，但所谓的库存基本都变成了积压坏账，所以根据库存预计销售利润，不是每家企业都做得出来的，这说明数据管理水平有待提升。
在企业内部，有大量的决算数据需要耐心收集，但一般商家都没有专门的部门做这件事情，所以很难获得高质量的数据给自己提供决策支持。
事实上，卖家之所以对数据决策感觉束手无策，是因为数据收集维度不全，对数据的管理和获取不够，直接导致无法利用数据去辅助决策。而大数据之所以被热炒，是因为少数巨无霸企业在其中获得了巨大商业价值。例如亚马逊从亏损到盈利，大数据功不可没。不管是巧合还是时机成熟，亚马逊的确在采用了重量级的大数据分析后，业绩持续上涨。可以看到亚马逊很多基于数据的决策，甚至包括我们最能感知到的用户体验。
亚马逊上，囊括了所有生活必需品。因此它充分掌握消费者的原始数据，做出来的判断具有预测性。甚至可以向商家定制亚马逊版本产品，并能保证热卖。而这一切都是根据亚马逊所具有的大数据源，进行收集、分析所推测出来的。
区分大数据与数据
虽然大数据看着好高端、好厉害的样子，但毕竟像亚马逊、淘宝这样的公司屈指可数，大多数的电商企业还处于起步阶段，甚至依旧没有。这不得不让人重新思考大数据和数据之间的关系。
大数据与数据是两个极易混淆的概念。对两者的区别，每个人的理解也大相径庭。大数据是基于交易、产品与用户的匹配。产品很多，人很多，把它们精准地匹配在一起，是很难的一件事情。
普通的企业内部业务经营指标——原材料、制造、库存，这是一个相对固定的封闭流程结构，通过ERP、丰田精益生产策略，企业通过不断自身优化和与调整供应链上下游来进行企业经营调整，好的分析策略或许可以对经营指标有所影响。所以，数据是一种狭隘的定量数据，利于企业内部流程优化；而大数据是在定量数据的基础上，做了一个更大范围的延伸，给企业提供决策支持，也可以理解为大数据是对数据本身的价值权重的进一步诠释，即数据在决策中所起到作用的权重在提高。
大数据其实是一个更大范围、更多维度的数据，就是从最初信息获取一直到最后的售后数据。大数据的数据量往往很大，而且一旦精细研究、不断拓展，数据量的增加也会异常惊人，对数据存储的要求甚至超出对运算能力的要求。暂且不管大数据和数据如何定义，对于目前的电商企业而言，仅仅是希望通过数据分析带来整个流程上的优化和推荐系统的智能化。大数据的价值是并不是那么立马立竿见影的，每一个消费者和卖家都在享受大数据决策的成果，但是在使用时，并不觉得是大数据。
其实常被人诟病的百度关键词搜索就是大数据的最日常应用，百度会提供一个关键词排名筛选系统（这里面涉及竞价、权重评定等等诸多因素，不展开说），一方面是搜索内容的相关性排序，另一方面是搜词的同时系统会自动提示其他相关热销词（比如窗体右侧可能是其他公司名片或者相关词条以及搜索栏下面的提示“你可能要找的是xxx”），告知哪些词更容易接触同类消费者。这是最早使用大数据的系统，是基于百度每天上亿次搜索的总结。每一个买百度关键词的公司，其实都在使用大数据产品。此外，淘宝直通车、数据魔方都也是大数据的衍生工具。
如果企业希望在大数据时代取得一些成绩，必须重视大数据的使用，灵活使用大数据工具，这些工具才是目前走在大数据最前沿的技术。大数据对企业的价值，很大程度上取决于第三方服务商能够提供怎样的数据工具。作为企业，应该从几十家甚至上百家工具提供商中，找到适合自己的大数据工具。
这里有不得不说说大数据的另一个重要应用--广告精准投放。这个以后如果你们想听，我就单起一篇来说，毕竟这块儿的事水太深，坑儿太多，可以说够写一本投放决策者的血淋淋心酸泪史了...
明天，接着说数据挖掘与商业逻辑。
本文转自d1net（转载）