大数据时代下的十大变革你知道吗？

NO.1 目标驱动型 → 数据驱动 决策方式

传统科学思维中，决策制定往往是“目标”或“模型”驱动的——根据目标（或模型）进行决策。大数据时代下，数据成为决策制定的主要“触发条件”和“重要依据”。

NO.2 基于知识的方法 → 基于数据的方法 方法论

传统的方法论是运用已经总结好的一般性知识去解决或解释问题。但数据科学中兴起这样的方法论：根据问题找“数据”，并直接用数据——前提是这个数据无需转换成知识——去解决问题。

NO.3 复杂算法→简单算法 计算智能

“只要拥有足够多的数据，我们可以变得更聪明”是大数据时代的一个新认识。因此，在大数据时代，原本复杂的“智能问题”变成简单的“数据问题”——只要对大数据的进行简单查询就可以达到“基于复杂算法的智能计算的效果”。机器翻译是传统自然语言技术领域里的一大难点。如今，如谷歌翻译等工具不再像以前依靠复杂的算法进行翻译，而是通过他们以前收集的跨语言语料库进行简单查询的方式，提升了效率与准确率。

NO.4 业务数据化→数据业务化 数据管理

在大数据时代，企业需要重视一个新的课题——数据业务化，即如何“基于数据”动态地定义、优化和重组业务及其流程，进而提升业务的敏捷性，降低风险和成本。但是，在传统数据管理中我们更加关注的是业务的数据化问题，即如何将业务活动以数据方式记录下来，以便进行业务审计、分析与挖掘。可见，业务数据化是前提，而数据业务化是目标。

NO.5 第三范式 → 第四范式 研究范式

2007年，图灵奖获得者Jim Gray提出了科学研究的第四范式——数据密集型科学发现。在他看来，人类科学研究活动目前正在从“计算科学范式”转向“数据密集型科学发现范式”。第四范式，即“数据密集型科学发现范式”的主要特点是科学研究人员只需要从大数据中查找和挖掘所需要的信息和知识，无须直接面对所研究的物理对象。例如，在大数据时代，天文学家的研究方式发生了新的变化——其主要研究任务变为从海量数据库中发现所需的物体或现象的照片，而不再需要亲自进行太空拍照。

NO.6 数据是资源→数据是资产 数据的属性

在大数据时代，数据不仅是一种“资源”，而更是一种重要的“资产”。因此，数据科学应把数据当做“一种资产来管理”，而不能仅仅当做“资源”来对待。也就是说，与其他类型的资产一样，数据也具有财务价值，且需要作为独立实体进行组织与管理。

NO.7 统计学 → 数据科学 数据分析

在传统科学中，数据分析主要以数学和统计学为直接理论工具。但是，云计算等计算模式的出现以及大数据时代的到来，提升了我们对数据的获取、存储、计算与管理能力，进而对统计学理论与方法产生了深远影响，主要有：

（1）随着数据获取、存储与计算能力的提升，我们可以很容易获得统计学中所指的“总体”中的全部数据，且可以在总体上直接进行计算——不再需要进行“抽样操作”；

（2）在海量、动态、异构数据环境中，人们更加关注的是数据计算的“效率”而不再盲目追求其“精准度”。

NO.8 以战略为中心 →以数据为中心 产业竞合关系

在大数据时代，企业之间的竞合关系发生了变化，原本相互激烈竞争，甚至不愿合作的企业，不得不开始合作，形成新的业态和产业链。例如，近年来IBM公司和Apple公司“化敌为友”，并有报道称他们正在从竞争对手转向合作伙伴。

NO.9 不接受 → 接受 数据复杂性

在传统科学看来，数据需要彻底“清洗”和“集成”，计算目的是需要找出“精确答案”，而其背后的哲学是“不接受数据的复杂性”。然而，大数据中更加强调的是数据的动态性、异构性和跨域等复杂性——弹性计算、鲁棒性、虚拟化和快速响应，开始把“复杂性”当作数据的一个固有特征来对待，组织数据生态系统的管理目标转向将组织处于混沌边缘状态。

NO.10 小众参与→ 大规模协同 数据处理模式

传统科学中，数据的分析和挖掘都是具有很高专业素养的“企业核心员工”的事情，企业管理的重要目的是如何激励和绩效考核这些“核心员工”。但是，在大数据时代，基于“核心员工”的创新工作成本和风险越来越大，而基于“专家余（Pro-Am）”的大规模协作日益受到重视，正成为解决数据规模与形式化之间矛盾的重要手段。