为什么这两年，“大数据”谈得越来越少了 ...

在近期推进数字化项目的过程中，无论是与客户沟通还是审视技术方案，都注意到一个曾经备受瞩目的概念——“大数据”（Big Data）——似乎不再频繁出现。

这个概念曾是数字化转型初期的驱动力，激发了人们对数据潜在价值的无限遐想。在数据领域，“越多越好”几乎成为了一条铁律。暂且不论“啤酒与尿布”这一经典案例，单是5V（Volume, Velocity, Variety, Veracity, Value）这一概念，就已经成为无数数字化企业的坚定信条。

因此，许多技术创业公司纷纷投身于收集和开发海量数据，大规模投资于算力中心、存储中心和监测平台的建设。然而，在实际操作中，人们发现大数据的实际价值远未达到预期，就像互联网早期一样，人们满怀希望却不知如何实现价值转化。单纯追求数据规模，并不能保证获得更多的实际利益。

同时，由于数据质量参差不齐，与业务的相关性差，导致了“大浪淘沙”的数据分析模式，耗费了大量的人力和物力。尽管“大数据中蕴含着跨业务、跨场景的用户商业洞察，有助于精准决策和业务创新”是大数据精神的核心，但实际操作起来却颇具挑战。大多数企业仅掌握供应链中的一个环节，难以实现跨领域的关联。

若想通过整合不同厂商的数据资源来开拓新场景，数据服务成本和相关商务成本都不可小觑。例如，在支付行业，银行交易数据与消费侧数据若要实现业务与财务的整合，需要服务商、商户和支付机构多方协调，业务推进极为困难。

因此，大数据的实践路径通常只适用于互联网原生企业，因为这些企业能更容易地从平台侧向供应链两端辐射。从数据量的角度来看，平台侧拥有更庞大的数据量，在数据融合需求的博弈中拥有更强的话语权。相反，对于大多数企业而言，它们并非平台型企业，要么只负责生产，要么只负责销售，实现跨域大数据场景既缺乏专业能力，也缺乏资金保障。

目前，还有一种基于开源大数据进行“数据场景”强化的思路，但后来也被证明行不通，或者说“投入产出比”并不理想。开源大数据的数据质量低，与业务的相关性差，导致单位数据投入产出的业务价值有限——数据价值密度低。尽管学术界对开源大数据的建模和分析持续热衷，营造了一种开源数据价值更高的假象，但主要原因是难以获取产业数据。

在这种情况下，更多的传统企业开始反思，应专注于深化和透彻地挖掘现有数据，而不是单纯追求数据规模的扩大。如果大数据不能带来直接有效的价值，那么对企业而言，它可能成为负债而非资产。

基于上述讨论，并不是说大数据不重要，而是它并不适合每个数字化企业对数据资产的投资。数据获取渠道、已有数据与所需数据的比例、数据治理效率和开发效率，都是需要慎重考虑的决策因素。与其盲目拓展新的数据，探索难以验证的未知规律，不如在现有的业务架构中整理、加工和治理现有的数据资源，先满足当前的业务需求。

换言之，大数据是数字化企业发展到较高级阶段的任务。对于那些数字化基础尚不牢固的传统企业或中小企业而言，还是应以传统数据分析任务为中心，开展数据方面的工作。