大資料部門該放在運營團隊還是技術團隊？在紅杉資本中國基金會專家合夥人、原阿里資料委員會會長車品覺看來，糾結於此類問題的企業，距離大資料的法門尚遠。車品覺認為，大資料應該是CEO直接領導的戰略級部門，是一把開啟新世界大門的鑰匙。今天，大資料已在營銷、風險控制等領域已大放異彩；而在可預見的未來，基於大資料的諸多模式創新，將帶給我們無限的想象空間。
最近，我去了一趟美國，看到大資料的幾個變化，這些變化有可能極大地改變世界。
第一個變化是開始從被動蒐集資料，轉變為主動蒐集資料。美國一家公司現場給我們表演，電視里正在播放新聞，他們把手機放在電視機旁，手機很快識別出這是CNN新聞頻道，以及正在播出什麼內容。我們三個人拿出自己的手機，手機同時放三首不同的歌，他們的軟體很快辨別出這三首歌是什麼，以及作為背景正在播放的電視新聞。這意味著，非結構性的資料程式設計結構性資料，開始從被動蒐集資料轉變為主動蒐集資料。
第二個變化是非實時轉實時。滴滴叫車的資料可以說明不同地點的人流情況，但是零售業得到了這些資料，又如何觸到它的使用者群呢？大家知道這個世界有一個，DSP（Demand－Side Platform 需求方平臺），作為中間方，DMP記錄使用者去了哪個網站，用了什麼APP。當人使用APP時，資料會告訴DSP，這個人出現在了某一個地方，DSP就能夠幫商戶做智慧投放。由於背後有大資料支撐，放在很短的時間內就能完成。這種模式對營銷來說，絕對是一個顛覆。
另外，還有一個非常重要的變化是對話。美國有兩大公司，幾乎同時宣佈了一項戰略性科技——對話的人工智慧。比如，你的房間有一個音響，這個音響同時是一個感測器。當你說“我要買一瓶醬油”，音響會和你說：“老闆，你是不是要買你之前買過的醬油？”你說：“不是，我要買新的。”它就會告訴你，新的醬油以及同樣差不多的有幾種，建議你選擇哪種。這個變化將引發一個大的顛覆。
▌隱私+歸屬權：從混沌走向清晰
說到大資料，不得不提的是大資料與隱私這個問題。
這次在美國，見到一個在隱私問題上給美國總統提意見的專家。他說，關於個人隱私會有一個顛覆性的變化，這一變化在歐洲已經開始了，現在是美國。過去，當使用者使用一個應用時，都會和應用方簽訂一個協議，表明使用者同意把自己的資料交給應用方以改善使用者體驗。但是，大部分人都不知道自己同意的是什麼，僅僅是點選了“同意”。美國的法律對此準備進行修改，這可能會改變大資料產業。
在這個變化中有個問題，資料分可識別資料、不可識別資料。網際網路上的資料，有的可以識別是你，有的不可以識別是你。當不能完全知道他是誰，沒有辦法和他說你是否同意時該怎麼辦？現在，美國正在認真討論類似的事情。
另一個問題是資料的擁有權是誰？早期大家是按照實物的思路，來定義資料擁有權的法律，後來發現這條路撞牆了。資料的可愛之處就是看見就看見了，不在於是你拿著還是我拿著。法律界已經開始關注這個問題。
關於隱私問題，大部分使用者更多是希望平衡好，你不能拿到我的資料我一點好處都沒有，你拿了資料使用我卻一點都不知道。所以，問題是誰有權控制？比如臉書，每一次使用使用者資料，會告訴使用者，這個資料會在某個點使用，這就涉及資料使用透明和是否可控的權利問題。這個行業裡面很多人不想講這個問題，但並不是不知道。但這是我們做大資料的人必須要慢慢解決的，否則這是一個定時炸彈。
當然，有大量的資料不相關隱私。比如，用1000個人或者5000個人的資料算出來的結果，當做大資料營銷的時候，有沒有把他捆綁在5000個人當中營銷？美國有些法案很可愛，認定個人資料的隱私問題不是放在單獨的案例當中，而是放在行業裡面。我問專家，為什麼要放在行業裡面？他說，個人隱私和行業有關，比如賣藥的，個人隱私的監管就會非常嚴格，而遊戲類的個人資料會相對簡單一些。在歐洲則是一套法律，不分行業。歐洲人認為，隱私是一個人的底線。而美國認為價值和隱私之間可平衡。這些都是未來大家都會議論的課題。
▌做好縫合，不斷迭代
大資料的本身是異構異類的資料，就像裁縫把不同的材料縫成一件衣服一樣，需要很多技術把資料連線起來，讓這些資料可以使用。不同材料縫合在一起，中間會有一些縫合處。
美國任何一個做大資料的人，都會告訴你資料關聯很難。美國可以把資料關聯起來的公司有幾家。美國大資料行業在產業鏈上，是可以分工的。你幹這個，我幹那個，大家協同把東西做出來。這和中國的情況是有區別的。
要把大資料整合起來，資料來源好不好非常重要。另外有沒有不同的環境可以進行資料測試，也很重要。
資料是迭代的，演算法是迭代的，產品服務也是迭代的。資料有不同的版本、演算法有不同的版本，我們要找到最優、同一個語境下最好的演算法，達到最好的服務。
▌將大資料變成企業的洞察力和行動力
對於企業來說，需要將大資料變成企業的洞察力、行動力。10年前，商業決策都是靠經驗驅動，用資料證明自己的判斷是對的。而資料驅動，則要擁有足夠的資料，通過資料發現一些以前沒有看到的東西。
比如，有一些人在購物網站搜尋過的關鍵詞，兩個月後會成為比較流行的關鍵詞。當我們深入分析時，資料會告訴我們，購物裡面是有達人的，購物達人看的東西和普通人不一樣，他們有自己的方法尋找自己想要的商品。如果能跟蹤這些達人，就可以找到用一般推薦引擎無法找到的東西。
一個學習的完整體系，簡單來講，首先有目標定義，之後進行決策、行動、拿到行動結果之後學習。人類學習的一般方法，都是根據這個鏈路進行，這叫“自學習”：用自己的經驗慢慢積累，進行一個自我迴圈。
大資料裡的創新，可以有三個層面：資料的創新、演算法的創新、服務的創新。
舉一個例子，有一個網站雖然有幾億使用者群，但只有幾百萬人買彩票。如何找到更多使用者到這個網站上買彩票呢？按以往的方法，先描述買彩票的人是什麼樣的，經驗認為男的比較喜歡買彩票，年紀應該是25-35歲。而用大資料的方法，則是想猜使用者下一步想做什麼，可以看4周之內使用者有沒有看過彩票的內容，如果有，那他就是一個希望要買彩票的人，只是沒有在網站裡買。用這個思路，我們發現買彩票的女性比男性多，而且往往是在辦公室裡買的多。這樣一來，資料就指明瞭哪些人在哪些地點是最好去做營銷的。
一個公司有沒有大資料能力，一般看他有沒有預測能力和行動能力。但是布點/收集、儲存/重新整理、識辨/關聯，也很重要。前者是如何讓資料更容易使用，後者是如何讓資料更有效關聯在一起。這個閉環如果可以做好，就可以做一個非常好的資料產品。
好的資料，六個衡量標準是缺一不可。缺少其中任何一個，資料質量就會下降。有的資料很稀缺，很獨家，那就是資料價值。資料質量，主要要看準不準，但還要看全不全。如果你只拿到安卓的資料，沒有拿到蘋果的資料，那就不全。一段段很零散的資料買過來，沒有連續性的資料也是不行的。需要找很可靠的夥伴來提供演算法、資料、服務。
一家公司是否能用好自己的資料，首先要看一個公司高管、員工有沒有意願，接著看工具。有意願、有能力、有工具的前提下，才談到整個公司一定要對資料有自己的方向，有組織保障，以及執行到位。
資訊資料化的情況還沒有結束，包括應用無線化。對話性的產品，將是顛覆世界的產品。互動的產品，將來或許會越來越多，這也是我們在創新產品時非常大的機會。