大数据成为许多公司竞争力的来源，从而使整个行业结构都改变了。大公司和小公司最有可能成为赢家，而大多数中等规模的公司则无法在行业调整中受益。掌握着大量数据的大公司通过分析收集到的数据成功实现了商业模式的转型。大数据也为小公司带来了机遇，其能享受到非固定资产规模带来的好处。重要的是，因为最好的大数据服务都是以创新思维为基础的，所以它们不一定需要大量的原始资本投入。

（一）大数据提高了决策的针对性

大数据时代，企业管理者应建立现代化的信息交流沟通平台，与员工进行有针对性、有效的良好沟通，甚至进行决策。企业在重大的策略调整和重要事件发生时，可以通过信息交流沟通平台，优化决策信息沟通的渠道和路径，使决策的程序简化、速度加快，同时鼓励决策参与者快速参与沟通、提出合理化建议并参与决策方案的制定，从而缩短上传下达的沟通时间。企业应尽量减少信息链的长度，强化对信息链的优化整合，力度，以达到企业运作流程的优化，减少内部沟通的偏离程度，从而减小管理决策制定的复杂程度。通过使用虚拟的网络平台来完善和提升企业决策管理，使之规范运作、管理科学、高效发展更具有综合竞争能力。

（二）增强预测的信息基础

随着大数据时代的到来，企业的市场分析、运营策略、目标客户等一系列具体而重要的参数都受到大数据信息的影响，企业的运作模式也会发生巨大转变。大数据时代的到来既是机遇也是挑战，它推动着各行各业不断调整思路，改变运作机制，重视群体因素、个体影响。人们应该重视和关注大数据应用带来的影响，应用技术进步带来的新机遇，克服困难，运用好大数据，把握好企业改革和再发展的新时机。

通过大数据的预测可以让企业从众多杂乱的信息中非常轻松简单地挑选出有效可靠的信息，摆脱过去烦琐的搜索监测与分辨信息的业务，把大量的信息变为了引导行动的洞察力，节省了大量的时间，从而更加高效、准确地做出了合适的决策。

通过大数据智能预测系统，企业可以在非线性化数据中开掘出意外的数据方式与联系，创建指导业务一线交叉的形式。同时，大数据智能预测还能有效避免优质客户的流失，给目前的顾客提供更多的服务购买选项，研发出更加优秀的新型产品，提升企业的运转效率，及时发现且防范存在的欺诈与风险。大数据智能预测可以完成高级分析、信息开采，文本开掘、社交媒体分析与核对分析（如集群分析、关联分析、同归分析等）、信息的搜集与在线查实探讨、信息建模与预测建模。大数据智能预测给每一项技能水准的客户提供自主定义的业务，包含了对高级管理层面看得见的菜单页面、对更加有资质的分析员的命令预防页面与高级功能。大数据智能管理与布置企业的所有财产与债款，给运转体系与决策拟制人员带来更加可靠的决策。

（三）大数据促进了动态化决策

大数据如巨浪般冲击着我们的生产与生活，一切传统企业模式将会被推翻，企业通过先进的数据挖掘技术完成数据增值，从而创造更有价值的商机。当今社会每天每时都会产生巨量的数据，这些数据也悄然记录着世界变化的轨迹，信息时代的竞争已经不再是劳动生产率的竞争，而是基于知识的数据竞争。大数据环境的动态性对企业提出了更高的要求，每个环节的改变都引导着企业的变革，企业必须通过最有效的方式实现数据最大化的价值增值。同时，基于数据的客观性及信息量大的特点，对企业在数据保密及备份、保障客户信息安全等方面提出了更高的要求。

（四）构建新的竞争优势

在大数据的环境下，企业需要应对数据的更新与变化，以不断调整企业内部的管理决策内容，提升企业的综合竞争力水平。传统企业的决策过程往往是被动的，即通过简单的个人经验以及被个人想法所左右，知识决策内容经过长期实践之后出现偏差。因此，现代企业发展模式需要向着预判式的发展道路前进，对市场的发展状况进行预判，充分掌握未来市场发展规律、客户需求以及竞争对手的各项信息，在大数据的竞争中获取竞争优势地位。企业在大数据时代下，应用大数据进行预判制定管理决策内容至关重要。对企业的自身发展而言，大数据不仅仅是一项技术手段，更是一项全新的发展模式。大数据的出现，使得企业管理决策内容知识获取方式、决策参与者以及组织内容发生了巨大变化，为企业管理决策的发展提供新的发展途径。同时，有效地运用大数据内容，能够在激烈的市场竞争中保证企业自身战略优势地位，提升企业综合竞争力。

（五）决策中应规避使用大数据的几个误区

1.中小数据没有挖掘的价值

大数据规模的标准是持续变化的，当前泛指单一数据集的大小在几十TB和数PB之间，显然若按照上述标准，日常的数据集绝大多数都不可能人为大数据，但其规模则占了全球数据集数据总量的90%以上。企业应更多地引导人们对数据资源获得与利用的重视，事实上，对未到TB级规模的数据挖掘也有价值，目前报道的一些大数据挖掘应用的例子，不少也只是TB级的规模。(www.daowen.com)

2.要有解决非结构数据挖掘的技术才能开展大数据分析

除了消费者流量外，还有企事业单位的流量，其规模与消费者流量相当，2016年全部互联网流量中55%将为视频。视频是非结构性数据，视频数据集的规模都很大，日积月累自然就成为大数据，有理由相信大数据中90%都是非结构数据。对非结构数据的分析需要有先进的语义技术和基于元数据的标签算法等，尽管语音的机器翻译有了进展，但视频图像的智能识别仍然不成熟。目前国内外有很多大数据应用成功的例子，但基本上还是针对结构性数据，所以不必等待非结构数据挖掘技术的成熟，对结构性数据的挖掘是大数据应用的切入点。

3.数据样本的规模比普遍性更重要

这里涉及对被观察对象取样数据的密集度和时间或空间跨度问题，例如，将一个人每分钟的活动数据记录下来，对了解该人的身体状况是有用的，但如果将他每秒的活动数据都记录下来，数据量将较前者高60倍，但与按分钟记录的数据相比，其价值并不能增加。在相同规模下，例如收集约86400次数据样值，以秒为间隔的话，大概就一天，以分钟间隔的话就是两个月。从保健的角度，后者的数据更有价值。统计一个人每分钟的身体状况数据与统计60个人每小时的身体状况数据相比，可能后者在统计上更有意义。数据挖掘需要有足够规模的数据，但前提是这些数据要有一定的时间或空间跨度，即具有普遍性。数据样本密度与被观察事件或对象有关，例如风力发电机装有多种传感器，每隔几毫秒测一次，用于检测叶片、变速箱、变频器等的磨损程度。

4.所有数据都同等重要

可以用多种类型的传感器检测环境污染，虽然各类传感器都是有用的，不是同等重要的，需要依据检测不同的指标来对不同类型的传感器结果加权又处理。此外，每一类数据的重要性会随关注点不同而变，一个人的身体状况可以用多种指标来衡量，显然所关心的疾病不同，与不同指标对应的数据其重要性也不同。同一类型的传感器在不同位置和不同时间收集到的数据，其重要性也不同。以城市交通监控摄像头为例，在路口的摄像头，其作用就比非路口的重要，在没有车辆和行人的深夜，记录的摄像数据没有保留价值，无须存储，但需要加上时间标签注明舍弃了哪一时段的图像帧，有些情况下需要对每一帧感兴趣的区域增加分辨率，而其他区域降低比特率。另外，同一类型的数据其价值也因收藏时间的长短而异，一般而言，时间间隔越久，其价值越小，因此存储的数据需要压缩以节省成本。

5.数据都是可信的

传感器收集的数据并非都是可信的，特别是该传感器上的历史数据与同类的其他传感器报出的数据差异很大时，该数据就应弃用。过去往往认为“有图有真相”，事实上图片可以移花接木、张冠李戴、时空错乱。或者照片是对的，可是文字解释是捏造的，这样的事情已屡见不鲜。一些网站规定，所有帖子不论是否真实一律对转发次数设置一个上限，从舆情收集效果看，人为地截尾导致失去真实性。基于微博的判断也不能代表所有年龄段的人群，如利用微博也能分析流感的发生，但微博的使用者大部分是年轻人，而季节性流感的袭击对象多为抵抗力较弱的老年人和儿童，因此基于微博的判断代表性不足。

为了避免数据不可信，需要收集多源异构的数据，例如通过城市交通监控系统可以实时掌握交通流量，但如果加上政府数据和网民数据，就可能知道发生交通拥堵的原因。利用与历史数据的对比也容易发现数据的异常，通过用数学模型来检验，也有助于推断数据的可信性。

6.大数据挖掘侵犯隐私

大数据确实存在安全与隐私保护的隐患，重要的数据存储和应用不能过分依赖大数据分析技术与平台，需要重视信息泄密的风险。大数据的挖掘与利用需要有法可依，既要鼓励面向群体而且服务于社会的数据挖掘，又要防止针对个体侵犯隐私的行为，既要提倡数据共享又要防止数据被滥用。美国政府公开数据是以城市的邮政编码街区为单元，给出统计的数据而屏蔽了具体住户的隐私。

7.大数据挖掘全靠技术

大数据挖掘涉及数据获取、存储、计算、传送、分配、挖掘、呈现和安全等环节，每一个环节都需要技术支持，大数据技术已经成为国家间的竞争热点，也成为一门新兴的学科。但大数据又不仅是技术问题，前述大数据的挖掘需要法律支撑，大数据分析需要创新人才，大数据挖掘呼唤体制改革。如果一些部门和机构拥有大量数据，但以邻为壑，宁愿自己不用也不愿与有关部门共享，导致信息不完整或重复投资，要打破数据割据的局面，政府信息公开将起到很好的带头作用。