大数据的商业化：从数据、模型到业务逻辑

1、

市面上关于大数据的各种定义太多，不一而足，此处写在前面的，我先定义一下：大数据，表示极多的数据，而其来源，凡能通过技术手段触达的都算。

2、

商业化，即如何使数据产生价值，这个价值并不来源于数据本身，而是来源于数据的被需求方（被需求方可以是甲方也可以是乙方）是否能够在其业务范围内被满足具备一定价值的数据。数据商业化的核心非数据，而是数据模型。

3、

数据模型：建立满足需要的业务导向的数据模型（算法），输入需要的可触达来源的获取的数据，并输出相应的结果。比如用户画像分析、数据结构化等等都算数据模型。

这里为什么说是业务导向的数据模型？我举个例子，如果比方说我做一个数据模型要过滤出所有姓名笔画超过20画的人的名字并序列化其信息，这里可能它是一个数据模型，我也可以在互联网获取大量的可输入的数据，问题是这个数据模型没卵用。

所谓业务导向（业务逻辑导向），比如百度凤巢系统，利用凤巢客户系统对百度搜索推广信息进行更为高效地管理与优化，对推广效果更为科学地进行评估。这里输入的就是凤巢客户以及可以收集到的与之相关的所有数据，业务导向的逻辑就是输出可用于决策的对百度搜索推广信息进行更为高效地管理与优化、对推广效果更为科学地进行评估的数据。

业务逻辑定义了数据模型。

4、

成熟的大数据商业变现，背后有极其复杂的业务逻辑，比如就像刚刚提到百度凤巢系统。其通过技术实现建模（业务导向），并实现的一个个数据模型，进而不断收集输入物以通过这些又业务逻辑定义的数据模型，输出成具备价值的数据。

5、

对于业务逻辑的优化和延展（新特性），业务逻辑决定了数据模型，而输出不一定是最好的结果，所以数据模型要被优化，而数据模型是被业务逻辑定义的，所以业务逻辑要做优化；当有新的业务需求需要在原有业务逻辑上生长出来，从而在定义了业务逻辑后数据模型相应改变从而得到新的输出。

简单画了张图说明下：