在2011年，知名的管理咨询机构麦肯锡(McKinsey)，即已透过「大数据：创新、竞争和生产力的下一个领域」报告，清楚昭告世人，大数据(Big Data)将成为宰制竞争力高下的关键性基础，并跃居下一波赖以提振生产力、推动创新、创造顾客价值的支柱。
紧接着，在2012年于瑞士举行的世界经济论坛中，也揭橥一份名为「大数据、大影响」的报告，强调过去资料被视为不甚有用的积累，但如今已成为一种全新的经济资产型态，亦是今后极其重要的生产要素，所以现在即是大数据时代的开端；而且更重要的，论及过往的实体生产要素，不管是厂房或机械设备，都会伴随使用次数的增加而折旧，然而大数据恰好相反，其价值反倒会随着重复利用而增长，帮助使用者掌握更多的线索、商机或趋势。
也许有人对于大数据时代的来临感到不解，多年以来，不少企业已经陆续布建了资料仓储、资料超市、线上分析处理(OLAP)、资料采矿、报表系统、仪表板、战情室系统. ..等广义的BI工具，也就是早就藉由IT来辅助决策制定，为何如今又迸出大数据这个新辞汇？它与过去的BI有何不同？事实上，前后真的大不相同。
旧方法难以处理的资料即可称之大数据姑且先撇开大数据的3V(Volume、Variety、Velocity)特性不谈，所谓大数据，蕴含了多种资料型态，包括交易记录(Transactions)、互动资料(Interactions)与观察资料(Observations)；其中人们较熟知的部份是交易记录，通常意指由ERP、CRM或SCM所产生的高度结构化资料，例如ERP里头的采购明细、采购记录或付款记录，乃至于CRM里头的交易明细、客户接触记录、维护合约等等，并储存于关联式资料库系统，综观过去的各类型BI技术，分析的元素多落在这些范畴。
至于互动资料，则比如是使用者点击流量、Web日志、社交互动与反馈...等等，意指人与物之间彼此的互动，抑或业务交流；有关观察资料，系由时下最夯的物联网所产生，不论是温度、湿度、压力、动作、RFID感测，甚至是手机当中的GPS晶片，都可繁衍出大量的观察资料。
持平而论，环顾以往的BI分析，涉及互动资料与观察资料的机率极为有限，甚至可谓趋近于零，此乃由于，这些数据几乎都属于非结构化或半结构化性质，单凭这点，即能充分凸显BI与大数据分析之差异。换言之，举凡人们接收讯息、点击滑鼠、浏览网页、线上购物...等各式各样的行为，都足以产生并累积庞大数据，因此不管在于数量、格式乃至传输速度，皆与传统BI所面对的结构化交易型数据大不相同。然而若欲区隔BI与大数，其实还有更加简单明确的指标。
一是从技术观点来看，只要是传统的方式无法处理的资料量，都可视之为大数据，简单来说，企业的分析人员将所欲分析的资料汇入伺服器的主记忆体，如果因数量过大而摆不进去，就可把它当做大数据，接着寻求有别以往的新工具来予以处理。
企业欲将IT进化为DT需仰赖资料科学家另外，BI与大数据两种分析技术的出发点，其实也截然不同。
有关BI，主要是用以处理已知的问题，也就是凭借过往营运轨迹记录理出脉络，呈现于视觉化报表，借以帮助高阶主管制定下一步的商业决策，但综观整个决策过程，分析之结果，乃是居于辅助地位，赖以判断决策走向的关键因子，是来自于经营者的脑袋。
然而大数据则是用于处理没经过事前定义的未知问题，其关键答案，埋藏在一堆看似无用的数据里头，并非任何人的脑袋。比方说，企业经营者依据其经验与智慧的累积，不假思索即预知产品品质的好坏，与公司营业额的消长，呈现正向关系，因而要求同仁运用BI工具，藉由过往数据描绘趋势图，从中深入探索可能影响产品品质的因子，接着研拟改善精进的方案。
如今同样维持「如何促进公司营业额增长」问题不变，转而采用大数据分析方法找答案，则无需预先界定问题(例如先做好产品品质攸关业绩好坏的假设)，由相关同仁从偌大数据洪流理出头绪，接着发挥创意巧思，设计出最有机会一击中的、提振业绩的好方案，而最终方案可能依旧围绕于产品品质，但也可能攸关销售人力配置、行销计画、库存管理..等等许许多多的可能性。
所以过去即曾有专家建议，企业实施大数据分析的理想做法，应是领域专家负责发问、或是提出大方向，至于定义问题、寻找答案等重责大任，则落在资料团队身上。但不可否认，欲提出正确且关键的问题，已然具备不低难度，后续再谈到如何界定问题范围，并尝试将无限的想像空间，收敛为有限空间，再从这个有限空间搜索答案，也同样具备相当难度；这些能量的养成过程，肯定比如何部署Hadoop分散式运算架构、如何写好MapReduce程式，还来得更为艰辛，同时也具有更大价值与意义。
阿里巴巴集团董事长马云曾经说道，我们正在从一个以控制为起点的IT时代，迈向一个以激活生产为目标的DT(Data Technology)时代，这个移动的过程，绝非仅仅仗恃技术的升级，更重要的，乃是思想意识的重大变革。也就是说，将Hadoop、MapReduce甚或Data Mining等技艺练就得炉火纯青，充其量都只是培养IT方面的高手，顶多是孕育杰出的资料工程师，仍非对于公司深具价值的DT战将、或是资料科学家。
哈佛商业评论曾将资料科学家喻为「21世纪最性感的工作」，此话绝非无的放矢，因为展望未来，多数企业都需要这般人才，资料科学家愈齐备，就愈能协助企业将垃圾转化为黄金，进而挹注源源不断的创新转型能量，以致能够在虚实世界界线愈趋模糊之际，确使企业能稳定地朝向致胜的目标前进。
Uber及Airbnb皆靠大数据打造创新利基放眼全球，几乎所有引领风骚的成功企业，都离不开大数据，背后皆有一群人，有能力将大量资料转变为富含价值的金矿，无论是Google的搜寻结果、定向广告，Amazon的精准商品推荐，或是Facebook列出可能认识的好友，皆是拜大数据分析所赐。除此之外，近年来「共享经济」概念响彻云霄，两家最常被引为相关经典案例的新创企业「Uber」与「Airbnb」，个个都深具大数据分析能量。以Uber而论，旗下车主与顾客的共同期望，便是缩短时间，车主想尽可能缩短空车时间，乘客则希望将等待时间降至最低，着眼于此，Uber的资料科学家悉心建构Location-based需求模型，将运算结果即时更新于热点地图(Heatmaps)，帮助车主减少空载时间，也一并协助顾客降低等候时间，甚至未来还将进一步指引车主，可以提前到哪些热点进行等待，便能够载运到更多乘客。
至于Airbnb，不仅拥有旅游地、用户评论、社群资讯、房源描述等等巨量资料，甚至还配置专责团队，负责汇集某些地点的人文、宗教或历史资料，再加上内部Discovery Team擅长使用自然语言处理与机器学习，得以深入洞察客户键入的搜索关键字，据此产生推荐结果；因此当顾客搜寻住宿地方之时，Airbnb的Location Relevance Model总是能精准提示最契合客户需求的住宿地点，可说是纯熟运用大数据的典型个案。
联系我们请点击：
数邦客
