在大數據（big data）時代，企業決策者需擁有大數據的基礎知識。此為了解大數據是成功投資抑或浪費金錢的第一步。

　　據報導，大數據并無公認的普遍定義。有些人認為大數據是指大量數據，但對大的范圍仍很模糊。也有人透過數量（volume）、變化（variety）和速度（velocity）這3V來解釋大數據。而本文將透過信息和技術兩方面來定義大數據。

　　從信息面來說，可將大數據與事件日志做比較。例如，網絡商店訪客的行動，包括在購物車中加入商品、加以刪除、兌換優惠券、留下產品評論，點擊廣告等。這些行動都是已發生且不能改變的事件。

　　大數據雖然可能不完整。但要顯示總體情況或確定某趨勢并不需要100%的準確性。電子商務零售商若想了解其客戶的行為，就算不知道訪客找到其喜歡的商品前登陸的網頁也無所謂。能了解大部分訪客的登陸網頁，就能讓零售商清楚掌握全貌。

　　從技術方面來說，大數據的量不斷增加。有監于此，大數據解決方案須有特殊的數據儲存和處理方法，包括：

　　一、分布式數據儲存，將數據儲存在多臺標準計算機上，而非一臺超強而昂貴的計算機。

　　二、高度可擴充性，若數據量增加，可輕易增加額外計算機來儲存和處理數據。

　　三、并行數據處理，將多個處理器之間的任務分開，以提升處理速度。

　　大數據很多樣化，可作為傳統報告的一部分，也可為自動化系統，如推薦引擎。企業總是設法想更了解客戶，大數據能分析全通路客戶行為、情緒、反饋等，為實現此目標開辟新的可能性。而其結果為能在傳統商業情報（BI）中使用的客戶細分（customer segmentation）。目前在進營銷售和營銷分析時，客戶細分已成為重要參數。

　　推薦引擎即為大數據作為獨立系統的范例。推薦引擎能在電商網站上提示客戶產品，或向用戶通知他們可能認識的其它社交媒體用戶。這種系統毋須人工參與，因為系統會分析關于每個用戶的大量數據，并辨識行為模式。

　　制造商廣泛使用傳感器來改善資產維護。他們通常會在不同機器部件上安裝多個傳感器，且會掃描設備狀態，為分析系統提供實時觀察數據。隨著時間推移，系統會學習可能代表未來機器故障的模式，并通知維護小組。

　　企業也可轉向外部大數據源。例如，雀巢（Nestle）高度依靠社交媒體實時監控其8，000個品牌的客戶情緒。該團隊不間斷地分析所有提及雀巢品牌的評論和貼文。而且不僅觀察，拜實時可視化工具之賜，該團隊很容易就能發現何時需要介入。

　　大數據專案的指示性成本介于20萬~60萬美元，但實際價格高度取決于業務任務，因此也取決于專案范圍。近期發表的2017年大數據執行調查（Big Data Executive Survey）顯示，80.7%的受訪者認為其大數據專案投資成功，而21%的受訪者認為大數據具顛覆性或變革性影響。

　　盡管如此，企業決策者應記住，在向大數據咨詢團隊解釋其短期和長期需求，并對其現有系統進行審計之后，就能了解所需投資和預期收益。