商业智能大的功效在于对于数据的收集管理，分析，以及的数据有效传达 —— 分发企业各处的数据有用信息可以对企业的各种病症提供等效的良。简单说:麦当劳的物流冷链系统常年的运转能够收集到大量的数据信息，包括肯塔基州今年Mcafe的出柜后多长时间喝完的信息，包括路易斯安娜州对于新汉堡面包的偏好度调查的调查报表，甚至包括犹他州 I-72 高度公路运送面包和料包的时间等等具体信息 —— 诸如麦当劳这种体量的数据处理能力的数据库，从诸如此类的细节信息中进行大量的业务分析和决策管理，从而加速更新和迭代自己的数据库，从而服务质量。商业智能技术提供的分发数据包是对本体企业，亦或是单一企业单体数据的可视化研究，这种研究数据分发到企业各处后，对于企业解决问题的帮助，远远大于对标案例的分析。

　　这一系列标签形成了一个人固定的长期标签。

　　之前的玩法单纯粗暴，就是冲销量或者买位置到第一，然后开始赚钱。

　　当然除了阿里之外，大数据精准营销在其他的互联网企业也都被看做是长线的利润价值，对于企业来说，这种趋势，不是把眼光放在短期的盈利上，主要依托大数据对用户的画像，设身处地的去触动用户，把握数据的长期黏性，从而实现长期增长。

　　如教育行业:如学历提升、职业教育、教育培训、K12教育等，可以通过大数据建模抓取教育相关网站的实时访客，抓取相关教育垂直APP的活跃用户……

　　我们可以发现，对大数据（覆盖范围广，数据量大）进行分析可以洞察个人、人群、地点等对象的特征、进而服务于不同的目的（如:服务于个人的个性化推荐或服务于政府的城市规划与治理）。因此，大数据核心的价值在于提供人与机器（算法）提炼信息、总结知识、凝聚智慧的原始素材。而要想充分发掘大数据的价值，就需要合理运用数据、有效地进行数字治理。“治数”的过程好比大禹治水，关键是要把数据管好、用好、梳理好。在整个数字治理过程中，可分为三个阶段:数字化、数智化和数治化。

　　对于大多数互联网公司或者工程师而言，大数据实际上只有一个意思，就是把一堆乱七八糟的数据扔到 HDFS 上面然后进行计算。计算的工具有很多，常见的是 Map-Reduce，但是技术一直在演进，现在还流行 Impala、Spark、Presto 什么的。对于这些搞大数据的工程师而言，这是一个好的事情，因为要把这么多异构的数据和系统跑起来，需要很多人写很多代码，还需要有人来做运维。这么一个部门总得需要几十台机器否则还不如单机计算能力强，工程师也得有十来人。然后可能还需要数据分析师，否则这部门跟摆设也没什么区别。如果系统做得不错数据量也有了，总得配个数据科学家搞点数据挖掘或者机器学什么的吧。所以大数据这件事情可以解决很多就业问题，毕竟很多上了规模的互联网公司都想搞大数据。