1、 從集到散。
傳統的BI，是以數據統計為基礎。但是不論是什么統計，都是想抽取一個或一組數值去說明一個問題。不論原始的數據有多少，都會盡量的去提取歸納，以期望用最少的數據去說明問題，從幾個數據中得到的檢驗結果(例如合格率的抽檢)時這樣，從幾千萬，幾億數據中提取到的用戶訪問量，瀏覽量，交易量也是這樣。在BI看來，是否找到了一個最能說明問題的數據是一個分析好壞的關鍵。
這么做當然沒錯，但是僅僅找到問題是不夠的，如果要分析問題，那么還要再次提取數據，在進行新一輪的分析。
而大數據呢，從現在看來還是做著和BI一樣的事情，但是如果加大的數據的規模，增加數據的種類，隨著數據量的上升，需要付出的成本幾乎是在幾何級數的上升，而BI的分析結果的獲利都無法做到線性的上升，一個公司最應該關心的數據，年度，半年度，季度，月度，周數據中早已包含了，這中間可以產生變化的數據并不是很多。而更短或者更局部的一些數據，對一個公司所能產生的影響甚小。如果再單獨的從聚合的角度去用大數據，往往很難收回成本。
而我們可以看到，數據時可以應用到小問題上的，當數據達到一定規模以后，我們同樣能解決一個用戶需要什么，因為針對一個用戶的數據已經足夠多了。而當這些數據變化的時候，同樣代表著用戶需求的變化，這樣，通過對用戶數據的分析，主動為用戶推薦其最需要的服務成了可能。
2、 從后到前
傳統的BI解決的多是結果的問題，雖然也有預測，但是也基本是基于結果的預測。一般情況都是先有數據，然后根據對數據的分析，得到結果。如在A/B test這樣的應用中，必然是先有一個想法在那里，數據要做的是給這個想法量化，去衡量結果與想法之間的差異有多大。
當然，作為一個驗證來說，通常最好的結果是和設計之初的想法一致，雖然偶爾會有一些幸運的意外，但是這個及其少見。也就是說，往往這個驗證，在設計者本身已經有很準確的判斷的情況下，不產生新的價值。而另一個矛盾的事情出現了，如果設計者本身就不專業，則很難用到這種方法，甚至用這類方法的成本，往往比請一個專業的設計師更高。所以BI這么高大上的方法，往往是大型公司為一個已經很專業的人才加上一個保險而已。
大數據是并不存在這樣的先后關系的，它只是根據一定的數據給出一個或者幾個相對優化的結果，數據產生的同時，也是數據應用的同時。例如用戶當前最需要什么服務，這是的定價在什么價格才是利益最大化的，不同于之前BI的分析是，這幾乎都是在提出一個新的假設，例如數據分析的結果是用戶最需要的是吃飽肚子，但是用戶有可能為了去看他感興趣的球賽而選擇餓肚子，但是這并不重要。大數據的目的是給出優化過的選擇方向，以期望用戶能選擇其中的服務，當然，最好的結果是每次的推薦都被用戶選擇。
3、 從被動到主動
基本上BI的分析針對用戶來說都是BI是被動的而用戶是主動的，即使是用戶想要的結果，也必須是用戶自己主動收集，整理，分析，查看等等的一系列行為。而一般的情況下，無論是公司內部還是用戶本身，都不希望看到數據。大部分人都數據太不敏感了，甚至是看到數據就頭痛，我相信如果不是看在錢的面子上，很多人臉KPI數據都不會去看一眼。
BI的被動還表現在，除了報警系統以外，基本都是人在找數據。每天的數據就是靜靜的躺在那里，只有碰到愿意用它，并且會用他的人才能發揮作用，否者只是躺在服務器里的一堆數據而已。
而大數據要比這個主動得多，你可以把他理解成一個針對不同人的報警系統，幾乎所有的節點都可以接收報警，當數據產生了變化以后，如果有必要，就可以主動的向對應的節點發送信息，以前往其對應的相應。
當用戶響應以后，新的數據很可能產生下一輪的警報，這樣的循環可以讓一個用戶和他的數據活起來。
4、 分析價值到數據價值。
我們知道，在BI的工作中，最值錢的并不是數據本身，而往往是數據的分析師，他們的分析方法，分析模型是整個分析中最核心的部分，而系統只是實現途徑罷了，系統中所有的分析結果，都必須是數據分析師教給工程師，再由工程師來實現的。
這樣的系統中，如果存在通用性，那么挖走一個數據分析師，或者是實現的工程師，則幾乎是可以“偷”走整個系統。
而大數據卻并不是這樣，它更像是一個可以自學的學生，在通過不斷的對數據的應用以后，如果系統本身夠合理。系統會根據用戶的選擇結果和行為，去自己完善自己，而當一段時間以后，可能系統的運作模式非常的多樣化，也可能脫離了設計最初的局限。
這樣的一個系統，經過了一段時間的運行以后，最值錢的已經不再是最初的算法本身，也不是實現這個算法的人。而是在系統中沉淀下來的數據，尤其是用戶反饋的數據。如果是再想要復制一個相同的系統，就不再是挖兩個人那么簡單的事情了。
5、 從止損到開拓
在一定的程度上，BI更像是一個止損的系統，無論是多好的分析方法，多么嚴密的分析過程，更多的都是為了防止錯誤的發生;每天監控的日交易額，流量是為了更早的發現問題。各種檢驗的方法也是為了保證結果的正確，即使是因子分析等等的方法，也都是一個假設存在的，方法只是在保證這個假設的正確性。
但是所有的止損都有一個限度，那就是有損可以止，BI的價值就直接受限于想法本身的投入和產出的可能性。即使我們很多時候會說，這個產品先做，然后觀察數據，再看再說。這里會在數據上做投入的原因也是產品本身的價值，以及期望一個和在預想符合的市場反應，否則，不會有誰想看相關數據。
大數據和這個不一樣，因為它本身就是一個假設，而不是去驗證別的什么想法的，它的目的就是要達到這個好的結果，給用戶/公司直接帶來利益，讓用戶選擇有效的服務，既可以給用戶好的體驗，當然同樣也應該為公司帶來利潤，這其中多有的過程，都是為了讓用戶/公司雙發的利益更大，而不是為了防止公司出現損失這個層面。從這個角度上看。大數據本身的價值，并不受限于其他的什么因素，而只受限于自身系統的合理性它所能收集到的數據。
說了這么多的區別，并不是說完全要把大數據和BI割裂開來，大數據是從BI中發展來的，但是隨著時代的發展和技術的進步，數據分析本身也應該存在著思路上的轉變，不只是一個更大數據源上的BI了。如果在工作中不能跟上，很有可能只增加在數據上的投入，而不能得到很好的回報。
京公網安備 11010502049343號