数据是死的，
可人是活的呀！
大数据的大指的是全，即“总体=样本”。因此，在使用大数据时看到大就想到了海量是不对的，即便很多情况下大数据的确意味着海量数据。这种样本方式从根本上解决了抽样的随机性带来的数据偏差，但也增加了数据的混乱程度。在分析时，我们必须建立多个数据模型而非简单的一个。
现在很多管理者都清楚大数据的重要性，却没有完整明白大数据的真正意义，从而导致很多人认为大数据是个伪概念。曾鸣教授在得到app里的《智能商业20讲》里提出了一个很有意思的新词叫做：活数据。我以为这个提法要比大数据更精准，活数据首先可以理解为全体样本数据，其次可以理解为动态数据，还可以理解为多种模型数据。
大数据的全体样本性势必可以提高分析的精准度，但其导致的数据分析复杂度也为数据模型的创建提出了新的要求。如今，很多公司已经可以做到数据秒级响应了。这种动态数据为企业决策者提供了更为准确的判断依据，也成了活数据的最佳案例。
成熟企业对数据的依赖也与日俱增，毕竟在传统的管理中我们要以客户至上，客户的需求往往是通往高增长的正确路径。然而，大数据也有失灵的时候，比如面对破坏性创新的时候。数据更多的是为过去服务，即便秒级数据响应也是如此。这些数据准确的提供了用户需求指数及走向，但这种分析得到的只是成为客户的这波人，那些非用户群体往往被忽略了。
当然，企业关注自身客户本来就没有错，因为所有管理者都明白只有客户才能为自己提供更高的增长率。每个企业都势必走向更高级别市场，从而产生新的低端市场真空区。这个真空区往往成为那些新的破坏性创新者的入口，从而根据延续性创新逐步占领主流市场成为精英新贵。
这样的例子在整个商业史上数不胜数。那为什么会产生这样的情况呢？管理者往往在搭建数据模型时忽略了那些短暂性存在过的用户，他们在数据海中快速流失，在数据分析时往往被列为混乱数据从而过滤掉。这个过滤对于企业当下是有利的，但从长久来说却十分不明智。毕竟他们悄然而至悄然而去都是有原因的。这个原因很可能就是破坏性创新的缘起。
因此，企业除了成立适应破坏性创新的小团队外，还应在数据分析时搭建小数据分析模型，并且去追踪这些数据。这些数据背后隐匿的或许与你当下的价值观不同，却包含了未来的巨大增长路径。这也从另一个方面说明了，大数据的本质不是相关性，而是更为细碎的的彻底因果关系，我们必须意识到这是一个多因多果的世界。