为什么大数据有价值？ 因为它大的吗？ 不是的。事实上， 非常大的数据集总是有更多的头痛。存储、维护和管理非常大的数据集都不简单。而且只是有大量的数据并不能保证大量的价值。

　　任何数据集的价值取决于你可以从中获得信息的质量。大数据价值的关键在细节。换句话说， 大数据的价值是在小的东西。

　　每个企业都有大概的印象，它有有多少客户， 客户购买力总数是多少，还有平均每个客户的购买。但如果所有你知道的只是平均值， 那么你有什么打算？ 平均去对待每一个客户吗？

　　如果你能见到每个客户，了解每一个人，你不会平均对待每个人。你想知道每个人的习惯。你知道张三每周都要为自己购物，时不时会买一件礼物，而李四为她的五口之家购物，而王五自己不使用你的产品， 却经常为父母购买它们。你知道一天中那个人喜欢购物的时间，那个人是悠闲或匆忙的顾客，那个人喜欢的产品是什么。

　　因为你作为个人了解你的顾客，你会把他们作为个体对待。你会让张三知道你提供礼品包装。你会介绍李四她最喜欢的适合全家用的经济家庭产品。你会确保王五选择很容易让她父母打开的容器。

　　大数据的承诺在细节。你想要数据给你能观察到每个客户本人的信息。你想知道每个人会怎么做。你想知道如何响应各种事情 —— 产品提供、定价、演示等等。

　　你只会在用它完成一些有价值的事情时才会认识到数据的价值。请记住， 在和客户面对面的互动中， 凭着对客户的了解你会作出适当的建议，你的建议越好， 客户购买的越多， 还会把你推荐给其他人。最好的数据给你信息。信息创造了机会。当您使用价值采取有意义的行动时就能获得价值。

　　那么为大数据的应用程序选择数据集又该知道什么？让我们看看这个过程。

　　首先，你需要一个理由。你想实现什么？

　　然后，你必须知道你可以选择采取什么样的动作。你能提供新的产品？容许改变你们的产品选择？或者你只能在你现在拥有的范围里工作？ 你能开发新的广告， 新的报价吗？

　　现在， 想象一下，在同样的目标，同样的选项，面对面的情况下。你想要什么信息？ 知道了这些，你就准备找数据源来满足您的需求。

　　这里有一个例子。

　　问题: 你的个体店在高峰时很拥挤，拥挤到让客户经常望而却步，而其他时间商店几乎是空的。你是销售达不到你的潜力，整天都是购物放弃和无法吸引顾客。

　　你想完成什么？ 更好的分配一整天的活动来提高收入。

　　你能采取什么行动？ 你有营销预算、发送打印的职权和电子邮件广告，并特别提供了使用优惠券和其他促销方案。你也有一些员工调度和结帐程序的影响力。

　　现在，想象你在商店里， 观察顾客。你能观察到什么有用的事实吗？

　　一些购物者习惯在非高峰时段购物。他们是谁？ 其他人喜欢在高峰时间购物。为什么？ 有没有顾客在不同的时候来购物的？谁空手离去的？这些人打算买什么吗？ 你从顾客的购物行为中能了解什么？

　　你如何把信息转化为实际的行动？

　　也许你已经发现一些顾客在高峰时间来只是因为没有意识到这个商店有不太忙的时候。一个信息活动可能解决这个问题。它可以简单到在商店里张贴标志或在你的定期传单中添加这些信息。

　　其他人也许可以用折扣或特别优惠吸引他们前来购物。

　　已经在闲时采购了所有的物品的顾客又如何？鼓励做他们已经在做的事情是没有好处的。但或许你可以激励他们购买更多的产品。如果你知道他们购买什么， 你可以提供一份他们没有试过的产品的购物券或在他们喜欢的产品的多量购买上做文章。

　　你不可能跟每个客户本人亲自交谈。你不能围着每个人进行观察。但是你可以访问数据，它为您提供了同样的信息。如果你在处理很多人和很多细节，你就在谈论大数据， 这种大数据会成为预测分析盈利的燃料。

　　你在哪里可以找到关于客户的行为和预期的详细信息？ 从你已经拥有的数据开始。你的交易记录是行为数据的宝箱。你知道每个交易发生时间， 购买的是什么， 以什么价格。如果你有一个忠诚的程序或使用信用卡，那你也知道谁在购买。你自己的数据比任何你可以买到的对你更有价值， 而且它是免费的。这个数据只属于你，会给你独特的信息在竞争中取得优势。

　　如果你做网上交易， 要知道信息收集在网络的活动日志里。这些日志包含揭示购物行为的细节，包括非购买者的行为细节。

　　只有当你彻底调查内部数据的可能性后，你才应该把目光投向外界。一旦你清楚的了解你想知道的和你自己的数据的局限性，你就可以有选择地，精明地购买信息填补空白。

　　当你寻找额外的数据， 你仍需要寻找你愿意亲自观察到的信息。通常， 企业寻找人口信息， 而大量的人口数据是可以通过政府和商业源获得。预测分析最有价值的数据虽然不是人口是行为。人口之外的信息可以关于采购、兴趣、和任何可能与您的业务问题相关的行为类型。

　　所以， 当你正在寻找有价值的大数据源时， 寻找与特定业务问题相关的数据， 只有正确的信息指导，你才有方法来解决它。首先利用内部资源。然后超越自己范围更深地寻找数据。