提到大数据，难免要说到下面这几个V：规模volume、速度velocity、种类variety、真实性veracity和价值value。

　　仔细关照这些特点，会发现两个问题。数据的规模、速度和种类指的是大数据生成过程和如何捕捉和存储数据，真实性和价值指的是数据的质量和有用性。数据管理对很多公司来说是一个主要的挑战，虽然小数据也在受到数据质量和管理问题的困扰。

　　另外，数字世界正在生成来自不同数据源的新数据集，其中多数来自网络，包含结构化数据和非结构化数据。

　　为了应对大数据难题，很多公司只是简单的关注数据数量、种类和速度，但其实数据噪声的问题也很严峻，很多信息和元数据对企业来说没有，或者很少有价值。

　　智慧数据(真实性和价值)的目的就是要过滤噪声，使用有价值的数据，这可以有效地帮助企业解决业务难题。

　　企业应用了智慧数据，就可以说数据并不是越大越好。

　　对于一个预测模型来说，简单的随机样本是否足够?

　　查询五百万列和查询十亿列对预测分析模型的准确性来说有什么边际影响?从统计学角度来讲，边际影响完全可以忽略。

　　那么，大数据如何变成智慧数据呢?

　　没有一成不变的公式，但你必须要更好地理解数据。分析数据的质量不止能让公司变成数据驱动，也能让它变成创造力驱动。这就是大数据走向智慧数据的路径。

　　和数据打交道的人不是要对着一堆数据，猜想为什么有的数据有用，有的就没用，而是要将数据人性化，这样才能让数据说话。这是未来分析数据数量和质量的技巧。公司必须要让数据会说话，尽可能地消除偏见。

　　数据多还不够。问题的关键在于研究数据，比如数据是不是均匀而规律的?它能不能被轻松地提取和分析?数据的变化很多吗?有用的数据是不是蕴藏在其他不相关的信息里?

　　对数据的解释不应该是随机的，它应该指向明确的解决方案和可执行的任务。之后，还应该分析解释数据带来的价值。

　　只有在数据能够优化和自动化解决方案和解决问题时(数据驱动的决策制定)，对数据的收集和探索才是有意义的。

　　例子有很多，比如网站只更改了按钮的颜色吗，就能带来更高的转化率。

　　因此，目标不应该仅限于把通过数据发生的各种行为连接在一起，去理解它们，更应该包括提升现有流程的性能，或者预测下一次成果。

　　这也就意味着焦点不应该是收集大规模数据，而应该把数据的环境都呈现出来。数据需要在固定的环境下进行理解和解读。比如，如果你不知道用户点击链接之后做了什么，只知道他点击了链接，那有什么用呢?

　　这意味着大数据已死吗?不完全是。理解和拥有完成的用户行为视图至关重要，从这一点上来说，大数据扮演着重要的角色。

　　如果跨交互渠道的实时用户行为的分析受到人口和地理因素的限制，那么大数据就不可丢弃。你应该让数据变大。不过，如果机器学习算法能够通过使用少量数据集给出产品推荐，那么为什么还要采用大数据呢?

　　数据科学并不一定意味着凡事都要靠大数据。数据科学是要我们知道什么时候用瑞士军刀，什么时候用电锯。

　　我们的目标应该是将企业文化从数据管理(管理各种各样的数据)向数据学习(利用数据背后的所有价值)转变。