如果说数据是财富，但是面对浩如烟海的数据无异于大海捞针，究竟采用怎样的分析方法才能让数据发挥价值?企业怎样从数据中找出隐含着消费者行为习惯、潮流趋势、产品走势的线索，以此作为下一步发展的依据呢?
淘宝网商业智能部资深总监车品觉给出的观点是，“商业智能决策不一定需要大数据，反而是精准的数据更为重要。”
结构性数据VS非结构性数据
数据有两种类型，一种是结构性数据，一种是非结构性数据。两种数据的分析方法和作用各不相同，在精准营销中，非结构性数据虽然分析方法相对较难，但是由于其对消费者行为的洞察更具价值，可以有效补充结构性数据的不足，找到机会点，因此其作用越来越受到人们的重视。
一般而言，结构性数据简单而清晰，比如在淘宝双11活动中，最直观的数据是消费群体的分布，个人贡献的交易量、买过的产品、关注哪个类别的产品、是新客户还是老客户等等，这些数据来源直接，分类简单，一目了然，可以直接解读。在企业
普遍重视KPI的情况下，结构性数据是非常重要的考评业绩的依据，但这只是价值数据的一部分，另一部分非结构性数据，如视频、语音、图片、文字、产品信息、地理信息、时间信息等蕴藏着
丰富的信息，甚至在社交网站的信息中，一个用户的数据不仅包含结构性数据如年龄、性别、朋友圈，还有非结构性数据如关注的话题、评论最多的内容等。通过对非结构性数据的分析可以揭示出以前很难确定的关联，精细化地描述用户的行为特征，提示用户的消费习惯，预测市场趋势，给企业未来的运营提供很好的决策依据。结构性数据可以告诉企业某个用户与企业交易了
多少次，但并不能说明他就是忠实用户，而非结构性数据可以发现某个用户对平台的忠诚度，如果用户已经与平台建立起感情，这种客户的流失将会是平台的重大损失，管理者必须引起重视。在两者的关系中，结构性数据是非结构性数据的基础，如果企业不能将结构性数据的标准化做好，更
不用说对非结构性数据进行
深入的分析。
非结构性数据在研究小众人群的行为或是一些小型趋势时非常有用，能够发现未来的主流趋势。比如在消费者生命周期的研究中，企业会关注每年具有重复性的趋势，年年都有幼儿园孩子升入小学，年年都会有人结婚，有新生儿诞生，这些生命周期形成了一种相对固定的购买模式，也是相对大型的趋势。但是对于每一家企业来说，如何在大趋势中更为精准地满足用户的需求，则要从小众人群的消费习惯或是小型趋势中去发现未来的主流趋势。比如消费者年年都会购买连衣裙，在搜索关键字“连衣裙”时会输入关联关键词如“七分袖”、“短款”等，关键字“连衣裙”年年不变，但关联关键词会因趋势而改变，当小众用户的行为能够不断影响别人，并且达到一定量级时，会成为一个主流的趋势，因此研究关联关键词以及小众用户的行为，关注小型趋势比关注大型趋势对电商企业来说更具实践意义。
非结构性数据的解读和应用
非结构性数据的应用还能帮助企业识别用户的购物性别。假如一个账户在注册时显示的是男性，但其购买行为却表明购物性别与真实性别有差异，不是0(男性)和1(女性)的关系，而是男性特征为0.3，女性特征为0.7。通过对购买关系的数据分析可以发现这个账户可能是女性在操作。企业在对这些账户进行促销时，推荐的产品应当是男女兼顾，甚至女性产品略多一些。同样，有些相悖离的行为，比如浏览贵重产品但是购买便宜产品，或者浏览便宜产品但是购买贵重产品，通过对其行为和结果的关系研究，可以找到新型的营销方式。
对于文字性的非结构数据，这些语意需要转换成有意义的数据才能为企业提供价值，比如对产品的评价分级，对产品的抱怨主要集中在哪些方面，企业可以看到产品在消费者中的基础以及待改进的方向，这比单纯看到订单的来源和消费者的分布更有意义，可以帮助企业做进一步的提升。
在个性化购物行为的设计中，对非结构性数据的分析也会起到重要的作用。有喜爱浏览商品的客户，有喜欢进店买完东西就走的客户，一旦通过数据挖掘发现这些不同的购物行为，用户登录后，网站可以推出针对其购物习惯的个性化页面。比如向爱逛街的人推荐更多的产品，喜欢干脆购物的人则要少些干扰，帮助他尽快完成购物。
因为有了非结构性数据的帮助，淘宝目前正在尝试把用户群进行更为细致的分群。以往的营销理论一是按消费者所处的地区来划分消费人群，如处在一二线城市还是三四线城市或是城乡;二是按照生命周期来划分消费人群，如读书、工作、结婚生子等不同的生命阶段。在做商业决策时，关键是要知道消费者的需求和机会点在哪里，因此如果能对人群进行更为细致的划分，企业的营销也将更为精准。
“淘宝采用大数据分析，经过一年多的努力将用户群进行更为细致的划分。”如果说淘宝此前的分群多是基于用户的真实性别和年龄来划分，也许在不久的将来，淘宝的分群将基于网上的行为习惯来划分。对这些细分群体的研究甚至可以细化到不同的人群偏爱使用哪种银行卡付款，从中发现用户没有告知企业的信息，让企业在战略和战术层面为不同的群体提供更为精细合理的服务。在淘宝双11活动区间，分析人员会看不同的用户群因为什么原因进来购物，保守的用户群和非保守的用户群是怎样分布的，购买行为有怎样的差异，“如果两个用户在一个月内同样花一千元，当他/她处在不同的细分群体中时，你会发现有些人的消费能力更具空间，可以通过更好的产品提升销售，但如果不分群，我们看到的就只能是平均数。”
“数据”团队的组建
随着数据分析重要性的加强，淘宝商业智能部的功能也细分成五个板块，由业务分析组、决策分析组、数据产品组、数据开发组以及数据科学组组成。
业务分析组的分析师的主要职责是从所服务的业务部门中发现数据异动，根据运营数据分析业务状况，以报告、报表等方式帮助各业务部门更好地理解目前的业务状况。
数据产品组的产品经理们会将淘宝的大数据设计成为易于理解的数据产品，帮助公司各个层级的用户能够更加方便的使用数据。
数据开发组的工程师们一方面负责数据仓库底层的开发工作，保证数据仓库内数据的安全、可靠和
稳定;另一方面进行数据产品的开发，将数据分析师和产品经理的设计开发成可用的产品。
数据科学组的工程师们不介入具体的业务，他们每日的工作是做数据分析，通过数据来假设模拟预测人们的行为。比如分析UV是偏向于在网上闲逛还是购买，哪些是小而美的店，通过数据来分析建模，从中找出未来的发现。
当双11活动结束时，车品觉的兴奋不只在于淘宝创记录地达到了191亿元的销售额，更在于这个活动引来了2.15亿的UV(独立访客)，而中国网购用户加起来不超过三个亿，可以说会上网购物的网民大部分都来了。“这么庞大的数据量为全面深入地研究电商平台消费者的行为提供了罕见了大数据样本，在这种极端的数据环境中我们能够看到不同族群不同消费者的行为习惯，连平时不上来购物的人的行为我们都知道是怎么回事了，这些极端的大数据将对淘宝未来的发展有重大的启发。”
“最后要提到的是，不要迷信数据，因为数据不一定能解决公司所有的问题。”当做数据挖掘时，车品尝的建议是，每个人首先要问一下，目前公司面临的三大问题是什么?如果连公司的问题都提不出，数据是没有办法来帮助企业解决问题、寻找机会的。