自从大数据概念出现之后，大数据的作用在相当大的程度上被“神话”了，很多企业甚至产生了一种误解：大数据必然可以带来企业经营效益的提升与决策的改善，而且数据集越大，这种提升就越加明显。其实，更大的数据并不必然意味着会带来数据价值的提升，如果不注重数据的质量、价值以及多样性，并对数据进行更加智能的洞察，那么大数据只会意味着基础设施压力的增大，与企业成本的提升。
 

　　一、大数据的那些误区
 

　　另外，大数据挖掘反映的是一个趋势性的问题，并不对因果性作出判断，这是大数据的优势，同时也会在某些时候给决策带来误导。例如，在对商品销量进行大数据挖掘时，可能会发现啤酒的销量与时间存在着非常显著的相关性，通过这个洞察，我们可以安排在销量高峰期来加大投放或是增强宣传。但是，大数据无法告诉我们其背后的原因，这些商品的销量之所以在某个时间段销量很高，很可能只是因为这个时间正好有世界杯举行，但如果我们仅看到了时间与销量的相关性，就有可能让决策陷入误区。
 

　　此外，大数据应用还将面临的一个重大挑战是，来自于终端或者应用的数据正在呈现出指数级的增长，而且还包含图片、视频等大量的复杂数据，这些数据固然对于大数据分析非常有意义，但是由于计算机视觉等关键技术尚未突破，其当前的应用价值非常有限。而且，更大的数据集并不意味着更好的数据精度，一方面，分析精度并非随着数据量的增长而线性增长，而是一条无限趋近的收敛曲线，大部分企业在实际业务上并不需要将其做到极限;另一方面，大数据之中常常包含嘈杂的数据，错误数据、过时数据比比皆是，这些嘈杂数据会对大数据分析带来非常负面的影响。

　　企业还需要关注大数据给基础设施带来的压力，基于TB级别的数据来构建模型要比在GB级别的数据上构建模型花费数千倍乃至万倍的时间。如果要存储、处理这些数据，那么必然会对存储、计算等基础设施带来极大的压力，企业也将耗费大量的IT成本。所以，并不是说大数据时代就意味着数据不需要梳理，恰恰相反，我们需要适度摒弃低价值的数据，同时根据数据的种类、价值对数据进行分类。
 

　　二、深度数据智能与大数据结合为什么很重要
 

　　人工智能的应用给传统大数据方案无法解决的问题带来了新的曙光，例如典型的归因问题：大数据之所以只能反映趋势、无法回答因果问题，是因为真实答案往往隐藏在因果性的成千上万条分支中，很难判断真实的相关性，但是通过蒙特卡洛等人工智能算法，就可以对因果性的海量分支进行修剪，从而做出更加准确的决策。回到文章开头提到的那个例子，人工智能可以对大部分可能影响啤酒与时间相关性的数据进行分析，并计算各个条件的相关性影响，从而做到真正的预见性。
 

　　DataHunter 数据专家认为，对于大部分企业来说，更加合理的数据应用路线是将大数据与深度数据智能结合起来，建立与业务需求对应的数据模型。需要注意的是，虽然使用更多的数据来有利于建立高度准确的模型，但是现有的算法与基础设施可能会导致模型的运行速度很慢。因此，在实际部署上，企业最好能够基于相对较少但是高质量的数据，可以快速运行并且加速企业应用。

　　数据科学专家 Stephen Smith 建议称，如果数据集具有良好的随机抽样功能，那么我们就可以使用来自大数据集中的小样本构建模型，并进行准确预测。小样本使得模型迭代更新更加快速，然后使用整个数据库构建最终模型。这样不仅可以节约存储与计算资源，加速人工智能训练进程，还能够更好的驱动决策的进行。
 

　　三、是时候将视线回归到商业智能了
 

　　随着企业的数字化进程加速进入 AI 与大数据时代，商业智能(BI)似乎变得不再具有话题性。但实际上，在可预见的未来，人都是进行决策的主体，而不是机器，这就让我们必须关注数据的前端分析与展示问题。当前的大数据或是人工智能数据分析解决方案大部分面向的是 IT 技术人员或者是数据工程师，有着极高的专业门槛，无论是数据模型的搭建还是最终结果的呈现对于决策者都相当不友好。
 

　　Data Analytics 数据分析平台等敏捷的 BI 解决方案可以在很大程度上解决这个问题，其在设计逻辑上更加偏重于人的行为，自助式分析的模式可以允许非专业人士来快速生成数据可视化图表，其与深度数据智能的结合能够解决企业当前所面临的很多问题。例如，在销量分析中，企业可以通过深度数据智能来建立数据模型，给出销量预测等重要信息的决策参考，其它的统计型、报表型数据则可以交给 BI 来实现，从而更好的辅助决策。

　　实际上，已经有很多企业在开展相关的实践了。在DataHunter与某银行的合作中，该银行搭建了基于大数据与人工智能的数据模型，对消费数量最多的商圈、用户最常去的场所、消费者的消费偏好等数据进行挖掘，并通过 Data MAX 数据大屏展示平台来展示，从而实现对用户消费行为与特征的精准跟踪，完善了对信用卡用户的精准营销与运营体系。