大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换而言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。

从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘。但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。

随着云时代的来临，大数据（Big data）也吸引了越来越多的关注。《著云台》的分析师团队认为，大数据（Big data）通常用来形容一个公司创造的大量非结构化数据和半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像MapReduce一样的框架来向数十、数百或甚至数千的电脑分配工作。

右键点击可放大

大数据生态图谱里的“Player”

1、数据挖掘：自动搜索隐藏于其中的有着特殊关系性的产品服务提供者；

2、商业智能（BI）利用多种数据处理技术进行数据分析以实现商业价值的产品服务提供者；

3、数据可视化：以多维的形式表示，从而对数据进行更深入的观察和分析的产品服务提供者；

4、垂直化应用：专注于实现某种垂直化功能的大数据应用产品服务提供者；

5、行业化应用：专注于解决某些行业业务问题的大数据应用产品服务提供者；

6、数据仓库：为企业各级别的决策制定过程提供所有类型数据支持的战略集合的产品服务提供者；

7、云存储平台：将互联网中大量不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的平台；

8、第三方数据平台：独立于数据源和数据使用者，提供专业化的、依托于网络的数据监测、数据交易、数据管理等服务的平台；

9、技术服务：面向细分领域的专业化数据管理技术服务提供者；

10、物联网：利用局部网络或互联网等通信技术把传感器、控制器、机器、人员和物等通过新的方式联在一起，形成人与物、物与物相联，实现信息化、远程管理控制和智能化的服务提供者；

11、数据采集：从数据源收集、识别和选取数据的产品服务提供者；

12、数据源：某种所需要数据的原始媒体服务提供者。数据源可以是任何数据类型，但必需可靠且具备更新能力。

大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理（MPP）数据库、数据挖掘电网、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。

互联网大数据：互联网环境下蕴含丰富洞察、决策和优化能力的海量、高增长率和多样复杂化的信息资产。

垂直化应用关键成功要素

垂直化应用厂商的大数据服务必须与具体行业或上下游产业结合形成生态化扩张。形成可持续的大数据服务商业模式， 并能够持续盈利，积极创立以自身技术为基础的数据标准。

行业化应用关键成功要素

行业化应用厂商需要在行业线上线下数据源的整合及模型训练上不断完善。行业化应用厂商必须深谙行业业务， 并能准确判断线上业务对线下业务的冲击点。持续专注于提高用户的转化与变现效果。

云存储及第三方数据平台关键成功要素

云存储需通过差异化的增值服务实现业务的长期持续发展。SaaS、 PaaS、 IaaS服务盘活了云存储，使其成为众多企业大数据的载体， 但平台的数据存取效率仍是目前的瓶颈。第三方数据平台的发展在于依托自身数据产品实现盈利， 保证现金流流转。

战略层面， 技术路线的选择比市场战术的运用对厂商的发展更具决定性。战术层面， 招募架构师等核心技术人才是该类厂商生存并能够长久发展的关键。

物联网厂商的发展重在布局， 包括生态环境的构建及技术标准的确立等。

与行业业务的紧密结合以及软硬件一体化人才的争夺是厂商发挥更大价值的关键。

数据源关键成功要素

图片、音视频等非结构化数据成为当前数据类型主体；各类互联网服务公司贡献着数据源，但其本质是各自领域的专业化服务商。厂商需要积极挖掘历史数据以提供智能化增值服务，并与内容创作者与提供商形成良好生态关系。

大数据建设关键成功要素

各方不同产品线之间竞争与合作关系共存， 利益最大化才是策略制定的基石。国际领先厂商需要在对需求趋势的前瞻性判断、与政府及国内合作伙伴保持良好关系、实现从软件到服务的价值转移等方面不断拓展。技术积累及注重变现的风格决定了数据可视化等领域成为国内厂商的沃土，但厂商仍需在对客户业务的理解深度及模型的抽象能力上不断提升。