[if gte mso 9]>

目前各個行業都在談大數據在行業內的應用，但是目前提出的思路非常多，在企業內部實現具體效果的卻很少。在這里就想談一下，你的企業遇到的問題到底是“大數據”的問題，還是“數據大”的問題。字面之差，解決問題的方式卻截然不同，所需投入的成本當然也就截然不同。

目前在零售領域，數據分析越來越被經營者看重，特別是顧客消費行為分析，商品構成分析，資本運行效率（周轉率）等等。現在各種ERP產品以及專門的BI產品在這方面都做了很多的工作，用很多報表的形式對這些數據進行了展示，也都提出了自己針對這些報表的一些解讀的方法。但是就目前來看有這么幾個不足的地方。第一個分析的“深度”不夠。報表展示的畢竟只是一些數字，具體反映了什么問題還是要“人腦”加工判斷，報表不能夠很直觀的反映出企業目前的問題及可能選擇的解決方法。第二個，數據“廣度”不夠。這個問題的產生很多都是因為企業已經信息化的部分，基礎數據采集，保存的不夠完整造成的。比如要分析顧客的消費行為，基本的小票信息，會員信息，促銷活動信息，當時的庫存、價格、甚至天氣信息都是需要的，但事實上企業能夠將這些信息收集完整并且持續保存的不是很多。當然，現存的BI系統或者ERP系統本身不具備這樣的分析能力是個主要的問題。第三個問題，系統處理能力不夠。假設第一個，第二個問題都解決的話，系統本身架構的處理能力就成了最大的瓶頸。你想看報表的時候，系統卻不那么給力，數據抽不出來或者等待時間很長，更有甚者系統崩潰了。其實到這個問題的時候，才是真正“大數據”或者“數據大”的問題。

接下來我們具體談談“大數據”與“數據大”的區別。其實作為非IT人士對這個“大數據”是存在一定誤解的。很多場合把“數據大”當成了“大數據”。“大數據”這個詞的由來是由一定互聯網背景的。在互聯網時代，特別是社交網絡的誕生以后，網絡上聚集的大量的信息，這些信息如果經過加工整理，對很多行業都有很重要的意義，都能從中找到自己需要的具體信息，但是因為這些數據首先是巨量的，一般的數據庫技術已經很難支撐。其次是非結構化的，不像我們的數據庫里面的表，具有明確的字段，每個字段的意義明確，長度可預知。再次這些數據雖然巨量，但是“垃圾”也很多，如何剔除這些“垃圾”數據也是影響分析結果精準的一個問題。在“大數據”這個課題上，很多公司提出了自己的解決方案。比較成功的算是“輿情分析”領域。在零售領域目前并沒有看到很有代表性的成功案例。

談到這里可能對“大數據”有個大體的認識了，然后我們轉過頭來看看我們流通企業面臨的問題。作為流通企業，我們保存的數據都是有針對性的“質量”非常高的，“高密度”價值的數據。因為我們每一條數據可能都反映了一個商品屬性信息或者交易信息。每一個字段都有他固定的意義。我們的系統無法支持我們現在的經營決策以及跟上我們的管理水平主要還是“數據大”的問題。而不應該是“大數據”的問題。通過對“大數據”與“數據大”的內容的區別我們也能夠看出，兩者卻別還是很大的，肯定也不能用完全一樣的技術手段來解決。

其實到這里我還想強調一點，跟我我們對流通企業的了解，大家追求的或者說期待的一個數據分析的效果主要還是如何將數據的價值反映到實際經營中來，“數據”只不過是一個原材料或者是手段而已。只不過這些年大數據的概念比較火爆，一定程度上“誤導”了大家。所以，我們在選用基于數據分析的決策支持類的系統的時候，千萬不要被“大數據”“云計算”這樣的詞眼迷惑，更重要的是看這個分析的結果如何反映到企業的運營中來，價值如何得到體現。當然“大數據”“云計算”是個未來的趨勢，是個好東西這個不能否定。目前對用戶企業來講正處在傳統IT產品與云計算產品轉型的階段，選擇的時候可能比較困難。話說回來，我們采購系統都是為了解決我們實際的問題，傳統的還是云架構的都是手段，只要能提供出價值來，對企業來講沒有大的差異。如果企業規模比較大，系統的部署跟維護成本比較高或者企業發展比較快，IT需求變化頻的情況下，當然還是選用云架構比較合理，畢竟云架構在這方面還是很有優勢的。