2013年，可以被稱為大數據元年。在那一年，企業界開始廣泛地關注乃至熱炒大數據的概念，一時間，4V理論人氣爆棚，不知不覺竟然成為了坊間對大數據的經典定義，海量、多樣、高速、價值這四個詞的確概括了大數據的區別于傳統數據的幾個典型特征，但是對于業外人來說，還不足以用以了解大數據為何物。

                              大數據傳統行業難落地 難在哪里？

　　嚴格意義上的“大數據”是與傳統數據相區別的。一般來說，結構化的，行列分明的，可分類或可計算的，可以用表格方式呈現，可以被傳統的數據庫軟件存儲分析的數字化文檔，即便是海量的傳統數據文檔，我們仍然稱之為“傳統數據”而非“大數據”。而“大數據”概念則雖然包含了傳統數據的部分，但更強調了傳統數據之外的那些非結構化的數字文件，比如文章、視頻、音頻等等。但是需要知曉的是，當我們脫口而   出“大數據”這個詞時，即便是專業人士，往往也在有意無意地混淆大數據與傳統數據的區別，這是因為“大數據”的熱潮帶動了“傳統數據的分析挖掘應用”的進一步發展，即便是看似與數據無關的一些傳統行業中的中小企業也開始認真思索通過數據和數據分析(即便僅僅是使用傳統數據)如何為自己的企業創造價值。

　　目前的大數據熱潮會讓人很自然地聯想到18年前互聯網興起時洶涌的潮水與泡沫，聯想到“大數據也必然要經歷硅谷臭名昭著的技術成熟度曲線”，聯想到大數據的落地自然也要經歷那條曲線勾勒出的跌宕起伏……不幸的是，事實的確如此。而幸運的是，這一次，相較于當初的互聯網大潮，人們似乎有了更多的心理準備。

　　大數據在傳統行業落地的難點在哪里?

　　首先，難在大數據技術端和市場應用端的信息不對稱。

　　大數據技術端可能存儲著海量的數據，可能掌握著先進的計算和分析挖掘技術，但是并不了解市場的需求痛點。而市場應用端的專業人士則因為對大數據的工作原理和蘊含的高價值缺乏了解而空守金山不自知。解決這個困局的方法有二：一是從兩端入手，大數據行業內人士必須深入到傳統行業的業務流程中去學習、經歷或體驗;而傳統行業的業內人士則要開放心態，主動學習和擁抱新事物。二是從中間入手，招聘尋找兼具一定大數據知識和傳統企業行業知識的人才，作為溝通橋梁彌合兩端的裂隙。

　　其次，難在數據互聯的成熟度。

　　當前的大數據源雖然貌似紛繁多樣，電信數據、銀聯數據、房產車輛數據、WiFi數據、企業內部數據、網購數據、互聯網數據等都能獲取到，但是數據源之間缺乏有效的關聯，導致大數據對于分析目標無法進行全面的描摹和了解，因此大大限制了應用范圍。眼下市場上雖然一夜之間冒出了各式的“數據交易所”，但是仍然不能有效解決數據互聯的問題。數據源之間的相互信任與合作是一個難點，數據信息的保密和披露法規不完善也是障礙之一，而落地變現場景的缺乏又使得這個問題的破局陷入了死循環。

　　其三，難在應用者缺乏耐心和戰略遠見。

　　一個企業的大數據戰略布局是需要遠見和時間成本的，戰略遠見不僅來源于核心領導層對于大數據知識的主動學習和思考，還要有敢于付出試錯成本的決斷力。同時，大數據項目投入的周期相對較長，前期繁復枯燥地整合內部數據孤島、聯合外部數據源的工作耗時費力而又障礙重重，如同萬丈高樓的地基，雖然極為重要且時間金錢的代價不菲，卻在表面上難以有顯著成效可以彰顯。另外，即便最終具備應用能力的大數據軟件開發完成，往往也會因為受到數據源、分析技術，甚至是使用人員素質的限制使得短期內不能讓企業領導者看到有亮點的投資回報率。但是，企業領導者應該認識到這是必要的學習成本，自己乃至整個企業經由這樣的學習曲線獲得了大數據領域的實操經驗和能力。

　　應該感謝Alphago精彩的人機大戰，至少把大數據結結實實的扎扎實實地落地在了那張1919的圍棋盤上，從而進一步落在了注意力經濟上，那么然后呢?我們拭目以待。