大數據時代，以下這幾種方式將發生巨變

　　我們傳統的方法論往往是“基于知識”的，即從 “大量實踐（數據）”中總結和提煉出一般性知識（定理、模式、模型、函數等）之后，用知識去解決（或解釋）問題。

　　因此，傳統的問題解決思路是“問題→知識→問題”，即根據問題找“知識”，并用“知識”解決“問題”。

　　然而，數據科學中興起了另一種方法論——“問題→數據→問題”，即根據問題找“數據”，并直接用數據（不需要把“數據”轉換成“知識”的前提下）解決問題。

　　“只要擁有足夠多的數據，我們可以變得更聰明”是大數據時代的一個新認識。

　　因此，在大數據時代，原本復雜的“智能問題”變成簡單的“數據問題”——只要對大數據的進行簡單查詢就可以達到“基于復雜算法的智能計算的效果”。

　　為此，很多學者曾討論過一個重要話題——“大數據時代需要的是更多數據還是更好的模型（moredata or better model）？”。機器翻譯是傳統自然語言技術領域的難點，雖曾提出過很多種“算法”，但應用效果并不理想。

　　近年來，Google翻譯等工具改變了“實現策略”，不再僅靠復雜算法進行翻譯，而對他們之前收集的跨語言語料庫進行簡單查詢的方式，提升了機器翻譯的效果和效率。

　　在大數據時代，數據不僅是一種“資源”，而更是一種重要的“資產”。

　　因此，數據科學應把數據當做“一種資產來管理”，而不能僅僅當做“資源”來對待。也就是說，與其他類型的資產一樣，數據也具有財務價值，且需要作為獨立實體進行組織與管理。

　　在大數據時代，企業需要重視一個新的課題——數據業務化，即如何“基于數據”動態地定義、優化和重組業務及其流程，進而提升業務的敏捷性，降低風險和成本。

　　但是，在傳統數據管理中我們更加關注的是業務的數據化問題，即如何將業務活動以數據方式記錄下來，以便進行業務審計、分析與挖掘。

　　可見，業務數據化是前提，而數據業務化是目標。

　　傳統科學思維中，決策制定往往是“目標”或“模型”驅動的——根據目標（或模型）進行決策。

　　然而，大數據時代出現了另一種思維模式，即數據驅動型決策，數據成為決策制定的主要“觸發條件”和“重要依據”。

　　例如，近年來，很多高新企業中的部門和崗位設置不再是“固化的”，而是根據所做項目與所處的數據環境，隨時動態調整其部門和崗位設置。

　　然而，部門和崗位設置的敏捷性往往是基于數據驅動的，根據數據分析的結果靈活調整企業內部結構。

　　在傳統科學看來，數據需要徹底“清洗”和“集成”，計算目的是需要找出“精確答案”，而其背后的哲學是“不接受數據的復雜性”。

　　然而，大數據中更加強調的是數據的動態性、異構性和跨域等復雜性——彈性計算、魯棒性、虛擬化和快速響應，開始把“復雜性”當作數據的一個固有特征來對待，組織數據生態系統的管理目標轉向將組織處于混沌邊緣狀態。

　　傳統科學中，數據的分析和挖掘都是具有很高專業素養的“企業核心員工”的事情，企業管理的重要目的是如何激勵和績效考核這些“核心員工”。

　　但是，在大數據時代，基于“核心員工”的創新工作成本和風險越來越大，而基于“專家余（Pro-Am）”的大規模協作日益受到重視，正成為解決數據規模與形式化之間矛盾的重要手段。