在这个信息爆炸的时代，大数据让人又爱又恨。在一些企业，忧患意识强的决策者拼命思考大数据多时，于是领导吩咐下属，你去研究大数据如何破题；而下属不敢违抗，但是也只能落得不得要领。
本文分享三个脚踏实地的大数据破题抓手。不管有没有道理，诸位亲只当看着玩儿吧。
一、以非结构化数据为抓手
昨天我刚说过，大数据的关键，首当其冲的不是数据量（那固然也给系统能力提出严峻挑战），而是数据复杂性。
据统计，在企业各类业务数据中，结构化数据仅占15%，其余85%均为非结构化和半结构化数据，它们存储在论坛/BBS、OA、知识及文档系统、内外部博客、社交网络、电子商务等多变的系统中。
另一方面，我以前也说过的，“不识企业真面目，只缘身在企业中”，企业不能仅依靠内部数据，而应该整合更多外部数据，而外部数据估计90%以上是非结构化数据，包括互联网公网数据、政府及行业报告与统计信息、用户和市场调研信息等等。
迄今为止，数据分析技术仍处于粗糙的起步阶段，所有算法都是以统计学为核心的，因此非结构化数据必须进行结构化处理才能找到数据价值。这就引发了两个层次的问题：
其一，非结构化数据的结构化处理，以及结构化之后挖掘分析再还原成人类便于理解的非结构化信息，这两个方向的工作，需要大量的领域知识。搞得好，数据金矿得以挖掘；搞得不好，真正的数据规律可能在处理中被遗失。所以，领域知识（甚至领域智慧），而不是数据处理方法，才是大数据的关键。
其二，尽管大数据刺激了大量的研究课题，但非结构数据的个体表现、一般特征和基本原理尚不明了，也缺乏系统化的方法和技术，这需要数学、经济学、社会学、计算机科学和管理学等很多学科的交叉研究。例如，给你一本书，你如何将其中的观点和逻辑转化为计算机能够理解的方式？给你一张图，你如何将它转化成基于图像的数据表或数据模型？遗憾的是，就算你能够转化，你并未能表达数据的全貌，仅是数据本身的一个侧面。
这就说明，非结构化数据的处理，目前还处于将粗糙的知识进行量化的简单粗暴阶段，代表人类智能与智慧的精细化处理，才是大数据的核心价值。
二、以大数据不确定性为抓手
以商业智能(BI)代表，传统数据分析方法总体上处于因果关系的探究。从效果来看，它最多能达成这样的目标：对过往的统计汇总；对原因的分析；用数据模拟来预测未来。
在企业实操中，这些分析不能说没有价值，然而企业决策者往往追求更高境界：怎样掌控企业的现状？怎样让企业按照自己的意图发展？这类复杂决策问题，传统上多归为人类智慧。
在大数据环境下，如何探索大数据复杂性，如何刻画大数据的不确定性特征，如何对大数据的个体无关联随机性进行建模，成为大数据研究的迫切课题。尽管，业界正在探索通用的非结构化数据与结构化数据的转化原则，以及基于复杂性理论的最优化管理决策方法，以求发现大数据的一般性方法和规律、实现大数据的跨行业应用，但这些探索研究，进展速度远赶不上企业实践的需求增长速度。
因此可以简单地说，将发现未知业务规律作为大数据探索的抓手，是一条可行思路。
前提是，企业领导应该有这样的认知：有可能忙乎半天，什么也没找到。本来嘛，价值密度低，就是大数据的特征，金矿没有那么好挖的。
三、以大数据业务价值为抓手
无论何种数据，都是对企业某个视角的度量。然而根据“企业大象理论”（本人胡诌的，呵呵），无论数据多全多复杂，无论多么努力建设各种统一视图，从数据中还原企业真相是不可能的。
所以企业决策者面临着双重异构的权衡：既要试图从异构的数据中作出判断，又要在决策异构中找出数据依据。传统的决策模式取决于业务知识和管理实践的积累，而以数据分析为基础进行量化决策，是大数据环境中的企业所无法逃避的课题。
其实，大数据是企业的“人造小宇宙”，与其寻觅大数据隐藏的企业真相，莫不如回归自然。说得难听点，不管我得出结论说大象是绳子、柱子或是墙，用数据说话总比拍脑袋决策要来得安全些。
一句话：对企业来说，数据就是业务，挖掘数据金矿就是寻找数据的业务价值。不从业务出发进行的一切数据探索，都是耍流氓。
