导读：此文摘自《大数据产业革命：重构DT时代的企业数据解决方案》（中国人民大学出版社 2015.6）文中总结了54项关键的大数据模型，供各位读者收藏、回味。
重新定义一位熟练的从业者
数据时代对熟练的从业者有着全新的定义。这其中可能会涉及诸如统计学或数学之类的技能，但这仅仅只是所需补缺的一个方面。在医学上，这涉及医学院教授的知识技能，例如，数据分析与数据收集。在农业里，新知识技能包括通晓如何利用不同的数据源（无人机、全球定位系统等），并立足于由此获得的认知来提高产量与发展生产力。
对熟练的从业者的要求在不同的时代里已经发生了质的变化。在17 世纪与18 世纪，对熟练的从业者的要求通常是其体能或对某种手艺的相关知识的掌握（比如会计员）。而在工业革命时期，熟练的从业者被定义成拥有操作机器或者在流水线上工作的能力。在过去的20 年里，熟练的从业者进一步演进，更注重于客户服务与科学技术。
在未来的十年间，熟练的从业者将取决于自身获取、分析并利用数据与信息的能力。这种全新技能的拥有者将出现在各行各业，他们在各自的行业中所拥有的技能只是略有差异。定义熟练的从业者的模型可归纳为：
1. 考虑到可能出现的颠覆性信息与技术，理解今天、明天与未来所会用到的技能；
2. 为了充分利用新出现的数据，企业或许要调整业务流程，重新定义职位角色与之相对应的技能；
3. 新员工的培训与对当前雇员的再培训将成为能否与时俱进跟上时代的重要条件。
创建并利用全新的数据源
随着智能机器的诞生，出现了更为经济高效的数据收集与分析途径，在未来的许多行业中，利用新的数据来源将成为一种差异性的能力。
在第1 章中，我们可以清晰地看到全新的数据来源是如何改变农林渔牧行业的。在20 年以前，农民从来不会思考如何去利用卫星图像中的信息，更不用说拥有不断获取这类数据的能力了。这种现象在每个行业中都是普遍存在的。
在医疗领域，数据来源从一年数次的医疗记录演变为采用可穿戴式与移动式医疗解决方案产生的持续不断的数据。数据流可以结合社交媒体，创造出全新的更为丰富的融合数据。新的数据来源中的关键模型在于：
4. 全新的数据来源可能意味着竞争优势的提升。大多数企业都容易依赖现有的数据源，而忽略利用外部数据源来获取全新的数据；
5. 整合之前断开或不同的数据集合可以带来全新的观点与认识，从而为竞争优势创造条件；
6. 通过内部数据与新的外部数据的融合贯通，能够产生全新的数据类型。
建立新的数据应用方式
数据只有在使用消化之后才会产生价值。与数据相关的各种应用程序是访问数据的一种手段。即使是新生代的熟练从业者，面对庞大的数据集合时，也很难正确地梳理出观点并采取行动。而与数据相关的应用程序将成为利用数据时得心应手的工具。
例如，在第1 章中介绍过的“完美雨棚”便可视为农业领域数据应用程序的一种案例。即便经过相应的训练，种植土豆的农民也很难有能力收集地表数据并作出分析。“完美雨棚”的出现填补了这项技能空白。原先农民需要承担收集足够且可靠的数据的工作，但“完美雨棚”提供了一种简化的方案来分析、展现数据，并据此采取行动。
使用正确的数据应用程序，对人员的要求与培训的难度会显著降低。与数据相关的应用程序能够让从业者不需要拥有数据科学家的技能，也能够像数据科学家一样胜任数据工作。在构建全新的数据应用程序的过程中，关键模型在于：
7. 全新的与数据相关的应用程序将能够更快速有效地运用数据；
8. 数据应用程序随着数据集合不断更新发展，从而确保业内相关人员持续不断地学习和提升洞察能力。
改造及创造全新的业务流程
传统的服装零售商会在冬季到来之前就开始为明年秋季服装启动采购流程。他们需要审查设计、挑选供应商、下订单，最后将货物入库。一旦设计出的产品进入店铺之后，零售商就会开始评估具体销售情况，利用销售数据来确定是否需要额外下订单。这些业务流程驱动着时尚零售行业。
在第4 章中，时尚电子商务网站史迪奇展示了他们是如何创造出一种新的商业模式，根据数据转型并产生全新的业务流程的。史迪奇为他的每一位客户提供一份推荐组合，并利用客户的反馈调整采购和生产流程，从而创造出一种全新的流程，以便寻找到最合适的货源与生产方式。
在第3 章中介绍的动态风险管理是保险行业内一套崭新的方法与业务流程。从历史上看，保险公司里的每一个流程步骤都是建立在对各项保险索赔的精算评估，以及产品报价与溢价之上的。而在动态风险管理的时代，这些过程会随着每个人使用保险产品的状况而进行调整（例如按量付费的保险）。动态保险清晰明了地将风险与保险金有机地结合起来，建立了反馈环路，对承包者与客户都有好处。转变业务流程中的关键模型在于：
9. 数据会改变当前的业务流程并引入新的流程；
10. 数据将实现针对个人层面，而非客户群的个性化业务流程；
11. 含着数据的金钥匙诞生的新兴企业，将会击溃原本由使用传统业务流程与方法的现有企业构筑起的市场。
通过数据收集实现竞争优势
用一台收银机来收集数据并不困难，每一项输入的销售记录都可以自动上传至数据库用于分析。数据收集轻而易举，并且通常能够以自动化的方式完成。用无人飞机来收集数据则是一件颇具挑战性的工作。无人机通常只有需要充电的时候才会飞回来，而且无人机能够收集各种类型的数据，视频、传感器数据或者是其他想要收集的信息。那么你会作何选择呢？
同样，从地处偏僻的石油钻井平台上获取数据也绝非易事，这就好像是期望与网络风马牛不相及的拖拉机在作业时取得数据一样。
在许多场合都会涉及数据的收集工作，可能源自网络节点上的某台设备、靠近某个数据源的个人、某台联网的机器，等等。虽然当前的数据收集工作成绩平平（甚至在某些场合下根本不存在），但是数据时代会给数据收集、与大趋势同步的能力带来飞跃性的提升。随着大数据开始崭露头角，各种收集数据的技术也会变得日益普及。数据收集中的关键模型在于：
12. 收集同步数据的能力在数据时代将变得至关重要；
13. 被收集的数据必须快速传输，实时分析；
14. 数据的收集工作贯彻于某家企业、某款产品或某项业务流程完整的生命周期内。在某个时间点上所取得的数据可能很有趣，但却总是难以产生收益。数据的收集仅是一个方面，确保其正确性与可操作性则另当别论。
揭露经验性的偏见
每家企业、每个组织以及每个行业中，都存在一些被认为是不容置疑的“真理”。不论这是因为领导团队习以为常的模式，还是由于领导层缺乏变革的勇气。这种不容挑战的“真理”就是这么坚如磐石地存在着。
从在数据时代看来，这种图腾式的盲与我们在第2 章中所讨论的经验性偏见如出一辙。回想一下克利夫兰诊所的研究发现，那些医生否定自己初步诊断的概率高达11%，甚至在18% 的情况下，医生建议的治疗方案会发生重大变化。这就是基于主观判断所作出决定的后果。
那么，在数据时代是否就不再需要主观判断了？当然不是。洞察、智慧与观点是严密的决策制定过程中所不可或缺的，但是观点必须基于数据与确凿的证据。从本质上看，图腾式的真理容易引导企业从主观意见、历史经验或者直觉感受出发作出决策，而非客观数据。揭露经验性偏见中的关键模型在于：
15. 个人与企业应当记录下他们的主观偏见（或者说真理），确保能充分认识到这些偏见；
16. 作决定唯一的根据是数据，而非观点或组织的真理。要确保做到这一点，必须强迫在每项决策中都有相应的数据作支持，并详细记录在案，以供今后进行分析。假如不能做到，那么你就应该去了解其中的缘由（例如，数据无法收集，不可用，或是难以分析）。
实时监控与决策制定
数十年以来，默认的数据分析方法建立在收集数据、加载至系统、分析数据这样的步骤之上。这是个简单的过程，却能够提供一定程度的洞察力。但这是否就已足够了呢？假如决策制定要求基于对持续的信息流进行分析，当你有这样的需求时，传统的“收集、加载以及分析”的过程便显得鞭长莫及了。
2013 年，位于加拿大多伦多的儿童医院新生儿重症监护中心宣布对住院的婴儿进行实时监控。医院发现一种被称为迟发性新生儿败血症（血液感染疾病）的感染通常会发生在新生儿出生第8 至89 天内。
传统的数据“收集、加载以及分析”方式在这一过程中远远不够，这会导致在感染发生后的数天、数周，甚至数月后才发现病情。因此，多伦多医院转向了实时的监控与决策体系，改变了新生儿的治疗方案。在这个案例中，实时的数据流可能会意味着生命的延续或终结。实时监控中的关键模型在于：
17. 部分数据的时效性非常短暂，这样的数据必须用一种持续不断的方式进行收集，进而产生数据流；
18. 时效性短暂的数据必须在其产生之际就运用数据流技术加以分析，并即刻采取对策。
社交网络的利用与数据创造
在数据时代，由个人、企业或机器所组成的网络相当强大。任何数据集如果缺少了网络化的数据，都是有局限性的。而有局限性的数据会导致决策偏向于主观判断，这样就难以产生建设性的决策了。
在第2 章中，HealthTap 医疗问答网的案例展示了社交网络数据是如何让患者收到更好的治疗效果的。在HealthTap 的商业模式中，通过社交数据实现了患者个人自助式的服务，从而使得医生不用参与到每一项判断中，加速了诊断过程。
詹姆斯·索诺维尔基（James Surowiecki）在其2004 年出版的《群体智慧》（TheWisdom of Crowds）一书中提到了数据时代。他的主要观点是，一群人通常比任何单一个体都能够作出更好的决策。部分原因在于，当不同的个体在以群组形式作出分析与独立判断时，视角与观点的宽度和深度往往是个人所难以企及的。这也正是社交网络中的数据如此重要的原因。每个人不一定都是准确的（当然也可能是），不过浩瀚的数据一定能够高瞻远瞩，洞察幽微。总而言之，社交网络中的关键模型在于：
19. 社交网络产生的数据提供了多种多样的观点视角，可以支持详尽精准的分析，从而获得更加准确的结论；
20. 社交网络产生的数据代表了大众的情绪和观点，通常比某位专家的看法更胜一筹。
解构价值链
每个行业在发展一段时间后都会产生一条价值链：即能够为每一位股东带来实实在在收益的一系列的流程与事件。以汽车行业为例，传统的价值链包括零部件供应商（开发高品质的部件来创造价值）、汽车制造商（部件组装、整体设计与性能优化来创造价值）、汽车经销商（提供销售与营销服务和库存管理来创造价值）以及客户。数据能够解构价值链，精简或重新定义其中的各个环节。
在第6 章所谈到的特斯拉的案例中，数据精简了传统供应链中的部分环节。特斯拉汽车的智能化不再需要依赖汽车经销商，从而建立起一种商业模式，即通过建立企业自身的营销手段取代传统的经销网络。现在特斯拉还在供应链解构方面更进一步，创造性地涉足超级电池工厂来供应汽车的电池，这一步代表着对部件供应商的供应链的解构。
解构价值链的前提是特斯拉选择创造智能机器，而非单纯的汽车。在每个步骤中生成的数据帮助企业不断优化销售、维修与服务，从而为单一企业垂直整合完整的价值链，实现利润的最大化提供了无限的可能性。解构价值链方面的关键模型在于：
21. 利用数据精简价值链的各个环节，改善最终产品；
22. 谙熟数据转化、改善价值链中各项环节，或者降低其成本的方式。
提供全新产品
数据可以创造出差异化，转变业务流程或精简供应链中的部分环节。在大多数情况下，企业会将数据视为达成目的的手段，利用这部分资产来改善现有的产品或简化传统过程。但是，数据时代带来了更广阔的机会：数据可以变成产品。
尼尔森公司、艾美仕等企业在数十年之前就深谙此道。他们的核心业务建立在这样一种认识之上，即数据是至关重要的资产，而他们通过建立商业模式实现数据的货币化。这种机会现在几乎摆在所有的公司面前，只要他们能够找到利用数据又不会损害其竞争优势的途径。
孟山都公司将数据变成了产品，最扩充了他们的业务。他们在农业领域收集的数据，以及各种高效的数据使用工具能够为农民带来巨大的价值。因此，他们能够将数据以及利用这些数据的工具产品货币化，因为它们在提高农作物产量方面功效卓著。提供全新产品领域内的关键模型在于：
23. 利用数据或货币化数据资产赢得竞争优势；
24. 如果要实现货币化，数据应当能够被购买方所消化；
25. 如果会影响企业现有的竞争优势，企业就应当放弃将其数据货币化。
量身定制而非批量生产
细分市场、焦点小组与海量邮件的时代应该已经成为明日黄花，一去不复返了。延缓这种变革到来的只可能是你自身缺乏对数据如何改变现状的理解、难以决策未来的后续方案以及不熟悉过程中可使用的工具。然而，无论如何，历史的潮流都会如期而至。
市场营销与销售将成为一种更加个性化的行为，市场中的成功者一定是最快速实现个性化销售的。当企业的市场营销能够真正做到因人而异，其经济效益将产生根本性的改观。
第4 章的案例非常有助于说明这一点。购物网站基顿建立在个人沟通的原则之上，所有的销售行为均以个性化的方式完成。史迪奇网站在短时间的数据收集之后，成为一家真正提供独一无二的个性化购物体验的公司。两者在实现这个目标的过程中都利用到客户行为与个人偏好的相关数据。因此，为客户量身定制的关键模型在于：
26. 由数据驱动个性化销售与营销；
27. 通过实现个性化，数据会提升许多行业与商业流程中的经济效益。
在隐私与洞悉之间达成某种平衡
虽然个性化技术是企业转变市场营销与销售策略的利器，但另一方面它会对个人隐私产生影响。许多人可能会感觉到他们的行踪被记录监视着。这给每个当事方提出了一道经典的平衡理论命题：你是否愿意牺牲有限的隐私，以换取在个性化方面的回报？
利用数据资产实现个性化的企业需要认识到这种平衡的重要性，以确保有相应的策略鼓励消费者选择他们喜欢的方式。这其中的关键模型是：
28. 隐私与个性化通常彼此相互矛盾；
29. 理解如何利用个性化而不公然侵犯隐私，这对于适当的数据管理工作至关重要。
改变产品的定义
威廉· 达维多（William Davidow） 在2012 年出版了《高科技营销》（Marketing High Technology）一书。从那时开始，我们已经见证了许多重要的技术革新，而且到今天，这仍是一部突破时间界限的作品，帮助你思考如何构建卓尔不凡的产品。这本书传递的基本信息在于产品的开发团队应当思考如何构建完整的产品生态系统，而非单一的产品。单个的产品只是客户最终购买的商品，完整的产品生态系统则涵盖了产品周边相关的事物：目标市场、分销渠道、销售、服务、市场营销与定位。数据改变了人们对完整产品生态系统的认识，不论是对现有的产品还是直接将数据本身变成的产品。
达维多书中的智慧还包括以下内容：
• 市场营销应当创造出完整的产品生态，并能使它们在目标市场中笑傲群雄；
• 创造完整的产品生态的成本通常会比开发单个的产品要高出数倍；
• 产品的设计过程中应当充分考虑其可服务性；
• 出类拔萃的产品需要具有灵魂；
• 公司之所以会失败，是因为他们无法让客户满意。
在数据时代，对于完整的产品生态界，达维多的作品将给出一种更具说服力的定义。第6 章中有关特斯拉的案例诠释了汽车厂商的产品可以不只是一辆“车”（例如，售后等各项功能特性），这一切都归功于数据创新。因此，改变产品定义中的关键模型在于：
30. 借助数据，产品的定义可以从功能特性的描述延伸扩展至服务性与用户体验；
31. 数据可以改变产品，使其从商品自然的交易属性转变为某种标志与文化，从而建立起长期的客户关系。
数据挖掘过程中的反向检索模式
随着数据量的增长，企业开始利用这些数据创造价值。企业的需求是可以预料到的，即尽快获取到尽可能多的数据。但是，将数据展现给企业未必是件很容易的事情，因为要消化数据并不容易，而且往往受限于条例政策和规章制度等因素。
传统信息挖掘的方式是基于文本进行检索。这是一种默认的检索方式，每个人都对用谷歌等在线搜索引擎检索数据非常熟悉。其中的要点在于用户明确认识到他寻找的是什么。而在本书第一部分的案例故事里，在许多数据带来的变革中，许多用户在最开始时并不知道该如何提出数据方面的要求。
为实现有效且开放式的数据访问，企业必须有意识地决定其实现方式（使用准确的流程步骤），并将数据服务在适当的时间提供给期待中的用户。因此，数据挖掘过程中的关键模型在于：
32. 数据的大众化已经在逐步发生，促使企业将数据更好地组织管理，供企业内部使用；
33. 数据搜索引擎只能回答用户明确想问的问题。更有效的数据访问方式是指将合适的数据在合适的时间呈现给合适的人，而无需用户思考如何请求数据。
数据安全性
随着数据变得日益大众化，需要有更多的注意力用于数据的管理与安全性保障。考虑到数据对许多企业而言都是至关重要的资产（有时甚至对业务本身也是如此），数据的安全性与管理毋庸置疑是数据使用过程中最为重要的。
数据安全性是指对谁在什么时候可以访问哪些数据的设定。数据安全性将数据作为企业的资产加以看待，采用与保护实体资产类似的严格策略进行管理。而且由于数据涉及客户与消费者，安全问题可能会造成长期的后果，严重影响企业的声誉。
数据管理是指管理数据生命周期，维护数据被访问的历史记录。缺乏数据安全策略被视为数据管理的不足或缺失。数据安全中的关键模型在于：
34. 确保数据的安全性，利用数据让企业更具洞察力，与促进业务转型同样重要；
35. 数据管理策略是管理数据资产的生命周期所必须的，应该从商业和法律实践层面保证数据的安全性与合规性。
建立在数据之上的合作伙伴关系
似乎从来没有人会预料到IBM 与苹果公司会建立起合作伙伴关系。史蒂夫· 乔布斯曾有一件著名的轶事，他站在IBM 大楼前，朝着IBM 公司的标志做出猥琐的手势、拍下照片。从这种情绪反应上不难看出，当时他视这家公司为头号敌手。然而，时间与数据这两大因素在这两家公司之间缔造出了令人觉得不可思议的伙伴关系。
数据，更确切地说，是企业数据促使IBM 与苹果公司在2014 年建立起了伙伴关系。苹果带来了设备、用户以及具有亲和力的产品设计与用户体验；而IBM 则具有丰富的企业级客户关系与海量数据。彼此建立起的合作伙伴关系将能够透过数据释放出庞大的企业级生产力。这只是数据促成新的合作伙伴关系的一个案例。
全新的合作伙伴关系将融合原先分散的数据集合，从而产生新的思路、新的客户与新的市场。这绝非许多传统的企业所能想象的，这需要那些果断的领导者开创并引领这种新颖的合作伙伴关系。这其中的关键模型在于：
36. 以数据为主的创新驱动将促成全新的合作伙伴关系；
37. 分享各家公司的数据集，结合各方的资产能够对业务的掌控有更深的体会。
压缩创新周期
史迪奇与Zara 都在大幅缩短零售行业的创新周期，从而彻底改变整个行业。一家传统的实体零售商通常需要9 到12 个月来了解消费者喜好的改变，而后开始推动其创新周期（购买者—生产商—原料模式），最后产品才能上货架销售。而Zara 可以根据数据的收集与运用，在两周时间内完成上述过程。史迪奇则随时随地进行，例如，史迪奇在某次商品的推介中发现的消费者偏好的变化会立刻反映到下一次发货中。创新周期被大幅压缩。
创新周期的压缩几乎会发生在任何行业中。决策者需要在当前就采取行动，而追随者则会等到行业被彻底改观、到了山穷水尽时才作出反应。实际上，运用本章中所谈到的许多模型都能够缩短创新周期。总而言之，其中的关键模型在于：
38. 知道何处因缺乏数据而延长了创新周期，并消除这种制约因素；
39. 重新审视创新周期，运用数据可以消除部分环节，或将其实现自动化。
定义全新的营销渠道
个人购物网站基顿正在营造一场时尚业的革命。虽然绝大多数零售商也在商品目录、店铺门面或营销网站上进行改革，不过基顿网站正在定义一种全新的营销渠道：敏锐的时尚感与电脑前的爱美女性。
这种营销渠道利用了女性购置服装时的一项重要影响因素：来自她们所信赖的人的建议。如果基顿网站只是依赖客户的朋友圈加入网络，那么他们的商业模式还不能算经济高效。出奇制胜的是，网站通过数据为消费者匹配最合适的设计师，然后为设计师提供所需要的数据信息，作为向客户提出建议的可信来源。定义全新营销渠道中的关键模型在于：
40. 新的营销渠道将改变一个产业的经济学；
41. 数据可以为客户构建出全新的消费渠道。
全新的经济模式
通用电气公司曾经以价格创新的方式改变了飞机引擎的经济模式。不同于以往单纯地针对引擎销售收费的模式，通用电气转而以引擎的正常运行时间收费。
定价创新针对的是通用电气制造商用飞机引擎这一业务。传统的发动机制造商往往将引擎视为赔钱的业务，以换取利润丰厚的替换部件的销售业务。当这种模式面临越来越多的竞争挑战时，通用电气为航空公司提供了另一种可选方案，购买引擎单位小时的使用权——从本质上讲，就是指航空公司一揽子购买引擎、零部件以及MRO（保养、维修与大修），并根据正常运行时间，或者每小时的使用支付费用。这种策略使得该企业能够针对竞争对手充分发挥出其优势（技术能力、故障诊断、资金实力与财务知识，以及端对端的MRO 服务）。
这种方式实现了通用电气与其客户的双赢结果。这种创新的可行性是建立在数据的基础上的。或者更具体地讲，发动机产生的数据可以帮助通用电气以更具优势的方式向他们的用户收费。数据将继续创造出这类全新的经济模型。
风力涡轮机制造商维斯塔斯也在他们的经济模型中寻求类似的创新途径。维斯塔斯的客户在投资涡轮机的时候，通常只能选择提前付款的方式，从而给客户造成不小的困难。一次性的收入对于维斯塔斯而言，也绝非最优方案。
随着数据的收集与运用，维斯塔斯能够实现基于对整个涡轮机生命周期洞察的货币化，这其中包含如何优化涡轮机操作、提升生产力的信息，或是单纯的对计划内维护的预计。无论何种方式，数据都促成了新经济模型的出现。
作为新经济模型的另一个案例，我们来介绍一下移动网络运营商是如何跨界进入保险行业的。保险企业往往以一种相对静态的方式缓慢发展，以历史上出现的各项风险为依据对未来作出预测，并每年收取保费。而另一方面，移动网络供应商则具备实时监控用户的习惯并提供多种付费方式的能力，而且经过传感器与移动设备所产生的数据信息流可以实现全新的动态保险产品。全新经济模式中的关键模型在于：
42. 数据将会促成全新的经济模式，通常会提供更佳的途径来凝聚客户与供应商的关系；
43. 基于数据的全新定价与经济模式将打破现有的行业格局与传统的垄断者。
推测和预估未来事件
绝大多数行业都想要拥有一个水晶球来预测难以窥探的未来世界中所蕴涵的机遇与挑战。尽管事实上要预估复杂的系统仍是非常困难的，不过大数据已经尽可能多地提供越来越多的信息（有关人类活动与环境）来识别模型并提高预测未来的能力，从而有助于提高回报率并将风险最小化。这其中的关键模型在于：
44. 提供最基本的信息数据来预测未来可能发生的事件、估算结果与影响；
45. 推测或预估只有在能发挥指导作用时才有意义，数据通常能够回答应该采取怎样的行动；
46. 预测分析需要将源自内部与外部的数据、历史知识和实时信息进行整合。
改变激励策略
成功的企业似乎都遵循这样一种规律，他们知道你能够做什么，并且如何才能让你做得更好。除非中途出现其他变故，否则这种规律应该是行之有效的。大数据革命将产生新的赢家，他们能够利用数据制定上述策略。充分激励员工打破企业传统的束缚，同时也意味着员工需要走出习以为常的舒适区域，在他们各自的业务岗位上考虑如何部署大数据，为企业创造出商业价值。奖励措施可以促进大量围绕着数据共享的相互协作。此外，考虑到企业将从中获益，需要通过激励与奖金对个人承担的风险给予补偿。改变激励策略中的关键模型在于：
47. 激励策略通常会决定某个组织或个人承担风险的意愿；
48. 合理设定的激励框架很可能会决定某项以数据来解决商业问题的提案的成功与否；
49. 企业组织中现有的壁垒束缚会妨碍最优结果的产生。激励策略必须能够消除这些障碍。
全新的（公共与私人）伙伴关系
全球化的竞争会带来如此巨大的挑战，企业与*唯一可行的解决之道在于公私合作。从大数据的角度出发，作为*，重要的是在IT 基础架构中扮演核心的重要角色，收集分发数据，成为一种常规的社会化的福祉。这其中的关键模型在于：
50. 公私部门之间的合作在于借助大数据实现不断的创新；
51. 大数据需要建立在扎实的IT基础架构建设之上。
实时的监控和决策（早期预警系统）
企业与*正在不断改善他们应对风险的能力，并以此建立起一套流程来监控这些风险，并作出相应对策。通过实现过程的自动化，更有可能早期就检测到问题出现的蛛丝马迹，从而作出适当的决策并予以防范。这其中的关键模型在于：
52. 将数据收集服务于风险监控；
53. 建立早期的预警系统，为最具威胁性的风险未雨绸缪；
54. 做好准备、制订行动计划，对早期的系统预警予以快速响应。
在本章中，我们明确了54 项大数据模型，其源自不同的行业、案例故事与企业组织。正如我们曾经谈到的，模型识别可以是一块馅饼，也可以是一个陷阱。从成功的案例中提取模型，并将其作为评估市场机会的框架或方法时，模型识别才会成为真正的馅饼。
原文发布时间为：2015-09-24
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号