在最近做数字化项目的过程中，不管是和客户交流还是看一些项目的技术方案，都发现有一个曾经很火的概念，突然很少出现了。
不错，这个概念就是“大数据”（Big Data）。
大数据这个词曾经引领了数字化转型的第一波潮流，让人们觉得数据中蕴含着大量的宝藏。对于数据来说，the more, the better，几乎成为行业铁律。
暂且不谈那个经典的“啤酒尿布”的例子，光5V这个概念就已经成为千万数字化厂商的坚定价值信条。
于是，很多技术创业项目开始沉迷于对海量数据进行收集和开发，大规模地投入到建设算力中心，建设存储中心，打造监测平台等事项中。
然而，在实践过程中，人们发现“大数据”的价值远远没有达到预期的水平，就像互联网出现的早期一样，人们开始满怀期待，但是并不知道如何变现 ...
仅仅追求数据的规模，并不会让人们从中得到更多的“实惠”。
同时，由于数据质量良莠不齐，与业务相关性差，导致“大浪淘金”的数据分析模式，浪费了大量的人力物力。
“大数据中，蕴含了跨业务、跨场景的用户商业洞察，有利于精准决策和业务创新。” 这句话虽然是大数据精神的内核，但是并不好落地。
绝大多数企业，只掌握供应链上的一个环节，很难做到跨域关联。
如果想通过整合厂商的数据资源来开拓新场景，数据服务成本以及和数据服务关联的商务成本，都是不可低估的。
例如，在支付行业，银行交易数据和消费侧数据如果想达到业财合一，需要服务商、商户、支付机构多方协调，业务推进十分困难 ...
因此，大数据的实践思路一般只适合互联网原生企业，因为这些企业更容易从平台侧逐渐辐射到供应链的两端。
从数据量的角度，平台侧数据量更大，在关于数据融合需求的博弈方面，具有更强的话语权。
反之，对于绝大多数企业，都是非平台型企业。要么只负责生产，要么只负责销售。
想要实现跨域的大数据场景，既缺乏专业能力，也缺乏资金方面的有效保障。
当前，还有一种思路是基于开源的大数据来进行“数据场景”强化。这个思路后来验证也行不通，或者说“投入产出比”不高。
开源的大数据在数据质量上很低，同时与业务的相关性差，这就意味着单位数据投入产出的业务价值非常有限——数据价值密度低。
尽管在学界一直对于开源大数据的建模和分析比较痴迷，营造了一种开源数据价值含量更高的假象，其主要原因还是在于“拿不到”产业数据。
在这种情况下，更多的传统企业开始反思，应该聚焦于将数据挖深、做透，而不是单纯地追求数据规模的大。
如果大数据不能带来直接有效的价值，那么对于企业来说是负债，而不是资产。
基于上述的这些讨论，并不是说大数据不重要，而是说大数据并不适合每一个数字化企业对数据资产的投资。
数据的获取渠道，已有数据和所需数据的比例，数据的治理效率和开发效率，都是应该慎重考虑的决策门槛。
与其盲目拓展新的数据，去探索难以得到验证的未知规律，还不如在现有的业务架构中把现有的数据资源规整、加工、治理，先满足当下的业务需求。
换句话说，大数据是一个数字化企业发展到比较高级阶段的任务，对于数字化基础还不够强的传统企业或中小企业，还是应该以传统数据分析任务为中心开展数据方面工作。
