从大数据中找规律

对于查处毒品种植的案例，我们看到了大数据思维的三个亮点：

第一是用统计的规律和个案对比，做到精准定位。

第二是社会其实已经默认了在取证时利用相关性代替直接证据，即我们在前面所说的强相关性代替因果关系。

第三是执法的成本，或者更广泛地讲，运营的成本，在大数据时代会大幅下降。

巨大的商业利好：相关性，时效性和个性化的重要性

在大数据出现之前，并非我们得不到信息直接的关联性，而是需要花费很长的时间才能收集足够多的数据，然后再花费更长的时间来验证它，这是在过去大部分传统的企业对于细节数据的收集和处理不是很重视的原因，相比之下它们更看重经验和宏观数据。但是到了大数据时代，这些企业的观念也在慢慢转变。

商店的货摆放是很有讲究的，这些店的货架基本上可以分为两种。

第一种摆放的商品基本上是固定的。这些固定货架是为了方便老顾客每次能够顺利找到他们想要的东西。

第二种是商店一进门的货架，摆放的是促销的、当下热门的或者与季节相关的商品，这类货架虽然数量不多，却产生了客观的营业额。

亚马孙的优势倒不在于价格便宜，事实上美国实体店和为网上的价格差不太多，这和中国的电商有很大区别，它的优势是能够有针对性地给用户推荐商品，这占到了亚马逊销售额的1/3。

为什么亚马逊能够做到这一点而沃尔玛做不到呢？这就涉及到大数据时效性等=特点了。

相比沃尔玛，亚马逊有三个优势，

首先它的交易数据是即时而完整地记录下来的，而且是随时可以用，可以分析，因此亚马逊挖掘到类似廉价早餐点心和应急用品的搭配只需要几个小时，而不是多少年。

亚马逊的第二个优势在于它拥有顾客全面的信息。

亚马逊的第三个优势在于它的任何市场策略都能马上实现，比如它能够随时捆绑商品，并且随时调整价个进行促销。

对比亚马逊和沃尔玛，我们能够看到大数据时效性和个性化特征带来的好处。

沃尔玛并非不能利用大数据，只是在个性化和时效性等方面，很难做得像电子商务公司那么有效而已。

大数据商业的共同点-------尽在数据流中

在上述应用大数据的案例中，存在着一些普遍的规律，这些规律可以通过数据流(Data Flow)的一致性体现出来。

首先，大量看似杂乱无章的数据点，从很多不同的地方（可以是不同的人、不同的公司、甚至不同的采样点）收集上来，这些数据在生成时常常是彼此是独立的，而且在收集上来之前是原始的、未加工的、无目的的。

其次，由于这些数据在产生和收集时没有特定目的，因此怎样使用它们需要视特定的应用而定。

由于大数据的多维度特征，使用者可以根据自己的需求进行筛选、过滤和处理。同时，由于在收集数据时没有太多的目的性，从这些数据中能够得到设么结果实现也无从知晓，最终从数据中得出什么结论就是什么结论。

把控每一个细节

大数据在商业活动中从细节到整体再从整体到细节双向的流动，使得我们不仅能够利用大数据对商业进行整体的提升，更能够精确到每一个细节。

通常购买奢侈品的过程和一般商品不同，购买者不仅需要购得一件奢侈品，而且希望享受购物的过程。

奢侈品销售还有一个特点，就是它的销量要看是否赢得了消费群体的喜爱，而与价格关系不是很大，因此很难通过降价促销来提高业绩。

重新认识穷举法------完备性带来的结果

在商业上，大数据不仅便于掌握大局和每一个具体细节，而且改变了人们开发产品和解决问题的思路，这些做事方法的变化在很大程度上是大数据完备性带来的。

在我们的认识里，穷举法在工作中并不是一个好的方法。首先，在大多数情况下无法穷举所有的情况；其次，即使在一些场合能够穷举出各种情况，这种方法也被成为本办法，用穷举法会被人瞧不起。

以笛卡尔和牛顿位代表的方法论都是在强调寻找一种普遍规律，然后用数据来验证。一旦这种普遍规律被找到，它就一劳永逸地解决问题。

Google把自动驾驶汽车这个看似是机器人的问题变成了一个大数据问题。

首先，Google自动驾驶汽车项目其实是它已经成熟的街景项目的延伸。

其次，自动驾驶汽车上装有十多个传感器，每秒钟进行几十次的各种扫描，这方面超过了人所能做到的“眼观六路、耳听八方”，同时大量的数据要在短时间内处理完，计算的压力是非常大的。

再次，我们人开车，常常是根据周围情况临时作出判断，遇到死胡同，转弯掉头再找其他的道路，Google拥有一个最好的全球地图数据，它的自动驾驶汽车不仅行驶的路线大部分是事先规划好的，而且对各地的路况以及不同的交通状态下车辆行驶的模式有准确的了解，因此它可以规避很多不必要的麻烦。

计算机学习“经验”的速度远远比人快得多，这也是大数据多维度的优势。

从历史经验看大数据的作用

在历史上，一项技术带动整个社会变革的事情也曾经发生过。它们通常遵循一个模式，即：

新技术+原有产业 = 新产业

现有产业+蒸汽机 = 新产业

现有产业+电 = 新产业

现有产业+ 摩尔定律 = 新产业

现有产业+ 大数据 = 新产业

现有产业 + 机器智能 = 新产业

在过去的半个世纪里，世界进步背后最根本的动力可以概括为摩尔定律的应用，或者说是数字化。

技术改变商业模式

历次技术革命除了缔造新产业之外，还不可避免地会带来商业模式的变化，今儿导致社会生活方式的变化。

1851年，第一届世界博览会在英国伦敦郊区召开，这实际上是英国在向全世界展示它丰富的工业品。从那以后，世博会逐渐成为一种商品时代的传统，延续至今。

在信息时代，商业模式的变化更加明显，它突出地表现在两方面，一是产业链从一种产品扩展到整个IT行业，二是服务业的重要性突显出来。

安迪-比尔定律的原话是“比尔要拿走安迪所给的”(What Andy gives,Bill takes away.)这里面的安迪是个人电脑巅峰时代英特尔当时的CEO安迪·格罗夫，比尔则是大名鼎鼎的比尔·盖茨，他当时是微软公司的CEO。这句话的含义是，在计算机领域，软件功能的增加和改进要不断地吃掉硬件行性能的提升。

安迪-比尔定律反映出计算机工业的整个生态链：以微软为代表的软甲开发商吃掉硬件提升带来的全部好处，迫使用户更新机器，让惠普、戴尔和联想等公司收益，而这些PC整机厂商再向英特尔这样的半导体公司订购新的芯片，同时向希捷(Seagate)等外设厂商购买新的外设。在这个过程中，各家的利润先后得到相应的提成，股票也随着增长，各个硬件半导体和外设公司再将利润投入研发，按照摩尔定律预定的速度，提升硬件性能，为微软下一步更新软件，吃掉硬件性能做准备。

通过上述对历次技术革命中商业模式变迁的分析，我们可以得到这样三个结论：

首先，技术革命导致商业模式的变化，尤其是新的商业模式的诞生。

其次，生产越来越过剩，需求拉动经济增长的模式变得不可逆转。同时，单纯制造业的利润越来越低，那些行业越来越没有出路。相反，人们对服务的需求越来越强烈。

最后，商业模式的变化既有继承性，又有创新。

在大数据时代，IT软件和服务业依然会是IT领域最好的行业，而且这个趋势将更加明显。提供服务虽然不像销售产品一样一次能挣比较多的钱，但是细水长流的技术服务最终会给这些服务的提供者带来更长久的生意、更多的利润。

加(+)大数据缔造新产业

小结

从工业革命开始，几次主要的技术革命都遵循相似的规律。

首先，是大部分现有的产业加上新技术等于新产业。或者说原有产业需要以新的形态出现。其次，并非每一家公司都要从事新技术产品本身的制造，更多时候它们是利用新技术改造原有产业。