我们要非常注意企业所处的状态，包括企业状态和数据状态。一个企业处在不同的状态之下，对于数据的关注点是不同的。例如，目前的阿里巴巴，业务量大，数据多而杂，所以我特别希望从数据里产生出它的价值。而对于数据比较小一点的公司，由于还没有这么多数据，所以短期内不用担心这个问题。
记得马总曾说过：凡是已知某种关系，运用这个关系数据计算一个东西出来，或者找出一个规律出来，这不是大数据;凡是不知道某种关系，但是刚刚找到这种关系，并且运用这种关系能产生出额外价值的时候，这就是大数据。而如果这种大数据已经找到了，它逐渐也就不是大数据了，你要再寻找跨界的其他的数据出来。当能让这个数据产生新的价值的时候，就又找到了大数据。
目前，很多公司的BI好像还没到大数据的阶段，而只是找到应用数据的一个方法而已。所以，当已经有海量数据，在这个海量数据中心里面寻找一些有价值的东西出来，这可能是大数据。
大数据让问题更加简单，也面临考验
过去，很多机构数据不够广度，所以要用很复杂的算法才能得出想要的结论。
今天，如果数据广度足够，很多时候就根本没有必要复杂计算了。例如，以前有人通过复杂的达人模型算法得出某用户是牛仔裤达人，但如果能够拿到他的微博数据，那么其实很容易就可以得出该结论的。
所以，以前的数据挖掘跟今天的数据挖掘将有很大差别的。也就是说，当一家公司的使命是将来想做一个大数据公司的话，可能要准备一些一手数据。当然，公司的收购策略，或者数据战略，不是一般的产品人能去影响的。但是，当数据的材料可以影响到没有这么复杂的算法还能实现业务，你就可以这样去做。
从“用”和“养”的观点来讲，目前很多公司已经走在“养”的路上。例如，我们说高德是一家数据公司，因为它非常注重数据的“养”。
很多公司高管会问：你拿着大数据，你能不能从数据里面进行拔高，把数据抽出来，真正找出问题?能不能从数据中直接告诉我今天到底发生了什么问题?能不能比我具有丰富经验的小二厉害?否则，老是讲数据很厉害，我感受不到。
这其实代表了业务方的期望。
其实，现阶段，很多事情大数据还是做不到，在很多地方还是不能经得起考验，所以，在很多人心目中，大数据可能还没到那回事。我们需要正视。
转型革新不仅是大数据，还有分析师
凡是BI人员，肯定是很精通数据业务的。所以当做数据挖掘或很多其他数据工作的时候，他肯定会比其他人做的更好。
当一个公司转型做数据业务时，分析师是一个非常容易转型成成功的business man的。例如，以往BI人员很怕临时需求，但是我发现一线分析师经过了这些锻炼，已经成为全能型人才：他能够从底层数据提取，到中间层数据挖掘，一直到最终解决问题全部完成。目前有一些人觉得分析师是不是已经落后了?其实，分析师成为公司未来商业应用最好的补充。
现在是转型过程一个非常重要的点，因此仅仅懂得做分析师是不够的，我们业内最需要的是数据中间人。他要知道数据架构到底要解决什么问题。他要告诉产品经理，我们需要什么样的自动化产品帮到我们业务方，我们需要什么样的模型。所以，他其实是一个很高级的商业架构师，并不是一个很高级的技术架构师。
我刚进支付宝的时候，当时分析师都走光了，那个时候发现所有东西要重新开始。第一想到是“白米饭”(注：不可或缺的工作)。“白米饭”不能解决，其他部门都会说你们在搞什么?所以开始从“白米饭”开始一级一级的建立自己BI。我觉得BI团队的建立有一条时间线，我们淘宝是先“用”，从“用”再开展到 “更多的用”，几个阶段的作用是很不一样的。所以，每家公司的数据部门都要思考：什么是你的白米饭?
同时，不管哪一个数据公司，有一些是数据分析师必须要做的事。例如：BI的总监和领导人一定要在管理层一起开会。可以不说话，但是一定要进去了解公司管理的理念和思路。否则这个BI部门就废掉了，这是我自己感受最深的一点。
未来的BI部门以及数据产品原则，看阿里怎么做
前一段，我们将阿里巴巴的BI部门改名为数据技术与产品部。整个部门不叫BI部门了，但仍有一个BI二级部门存在。
未来，我想象中的BI部门可能会走向这个方向：它像一个无人看管的汽车，没有具体的小二负责，但可以走出正确的道路。当然，这不是在所有场景都能够实现，而是要先选择一些好的场景来实现。在这个场景中，数据、模型能像汽车一样自己走出来。
目前，淘宝BI数据已经尝试走向这条路了，未来怎么样可以做到像没有驾驶员的汽车一样自己找到出路，仍需要不断实践。
而对于做数字产品，阿里巴巴则有以下一些原则：
首先，这是一个单纯的商业行为;第二，它不影响到用户的隐私;第三，它不能影响到其他的用户。(因此，如果该产品能够帮到一家，但对另外商户影响大了，就不能做。要保证在互惠互利的前提之下再看方案怎么样。)
此外，还有一个要求：当数据产生交叉的时候，数据必须要放在我们这里。最近，阿里与很多创新型公司展开了合作，例如一些保险公司很快将数据放进来进行实验。它可以先不全量放进来，而是放一些数据进来，看数据交叉之后能不能产生效果，如果效果很好，再考虑下一步。采取小步快跑的商业思路。
