大數據分析是工業4.0與服務4.0的重心
商業競爭在大數據時代來臨後，未來競爭更加激烈，特別是服務業也將進入「服務4.0」時代。
「服務4.0」這個概念乃是由「工業4.0」類比而來。工業4.0強調「智慧化」生產，讓企業透過「感知器（物聯網）」，收集「大數據」（Big Data），並進行分析，進而改善生產流程，發展新產品與新服務。
至於服務4.0，根據台灣科技大學資管系盧希鵬教授的說法，服務4.0強調「個人化（非客製化）」。而他認為，個人化是參與出來的。他以智慧型手機為例，剛買的手機是「標準化」的，但使用了一段時間後，就變成「個人化」。時間一久，你絕對不會想把手機借人家，因為裡面有太多自己的資訊。所以，服務4.0強調，透過掌握個人化的資料，來提供個人化的服務，而這些資料的彙集就是「大數據」。所以，大數據分析是工業4.0與服務4.0的重心。
然而，對企業經營者來說，以上的概念，有什麼管理意涵？
盡信資料，不如無資料
《孟子》第十四卷盡心篇下中有一句話︰「盡信書，則不如無書」。大意是說，「完全相信《尚書》中所記載的事，還不如沒有《尚書》這本書」。這句話源自於孟子認為《尚書》裡所寫的部分內容過於誇張，史官下筆時可能有所偏差。類比到行銷資料科學，我們也可說，「盡信資料（Data），則不如無資料（Data）」。
2013年12月，哈佛商業評論（HBR）刊登一篇由湯瑪斯．雷曼（Thomas C. Redman）所寫的文章《盡信資料不如…（Data's Credibility Problem）》（中文版由侯秀琴翻譯），就在探討這個存在已久的議題。
在這篇文章裡指出，醫學中心的實驗資料錯誤，可能會害死病人；工廠裡的產品規格資料不清楚，可能會大幅增加成本；公司的財務報告資料不正確，可能會誤導投資大眾。以上的例子，均點出資料正確的重要性。
資訊界有句流傳逾半世紀的名言，叫做「垃圾進、垃圾出（Garbage in, garbage out）」，如圖1所示。這句話背後的問題至今依舊存在，亦即企業內部可能充斥著許多的錯誤資料，而對於這些錯誤資料，許多人常誤認為是資訊系統的問題。事實上，資料錯誤的成因，常常來自於資料的「輸入」，其與人、流程、制度有關；而非資料的「處理」，它反而與資訊系統有關。也由於資料的不可靠，管理者很難建立起以「資料導向」（Data Driven）來做決策，因而倒退回強調經驗的直覺決策方式。
不是大數據分析專家，一樣能做出資料導向決策
2013年8月的哈佛商業評論（HBR）上，刊載一篇由湯馬斯．戴文波特（Thomas H. Davenport）所撰寫的《跟上計量專家》（Keep Up with Your Quants）文章。文中開宗明義地指出，要做出以資料為導向的有效決策，主管們不必是精通大數據分析專家，但主管必須找到能被公司所用的專家，並且知道該如何運用他們的專業。
戴文波特建議主管們，先想像自己是「資料分析」的客戶，而提供「資料分析」這項產品的人是「資料科學家」。「資料科學家」擅長收集資料與分析資料，並發展預測模型，並提出分析報告，但是他們通常不懂產業，也沒有相關的知識。而主管們擁有產業知識、經驗、與直覺。透過「資料科學家」提供的資料分析結果，主管們能結合自己的專業，判斷分析的結果與建議是否恰當。
為了能夠與「資料科學家」溝通，並讀懂他們的分析報告。戴文波特提出以下五點建議。
1. 學習簡單的分析技術
有效運用「小資料」比導入「大數據」更重要
大數據風起雲湧，讓許多公司也開始大手筆投資「大數據」，像是增聘人員、買設備、買軟體，但效果可能不如預期。這樣的結果，來自於大多數的公司還是依賴以經驗直覺做決策，未善用內部已有的資訊。同時，也未養成「資料導向」（Data Driven）的決策文化。
為了解決這個問題，企業應先體認到，很多決策無關乎「大數據」，反而與「小資料」有關，而且對於大多數的企業來說，其實並未擁有真正的「大數據」資料。企業應授權基層員工，善用內部已有的資料來進行決策。
珍．羅斯（Jeanne W. Ross）、辛西雅．比思（Cynthia M. Beath）和安．闊格拉斯（Anne Quaadgras）在2013年12月的哈佛商業評論（HBR）上，發表了一篇文章《誰需要巨量資料？》，文中以日本7-Eleven為例，提到執行長鈴木敏文（Toshifumi Suzuki）認為，存貨週轉率是7-Eleven獲利的關鍵。因此，他將下訂單這個重要的決策，交由店裡的20萬名店員來執行，而這些人多數竟然還是工讀生。鈴木敏文認為，這些現場的員工才是真正了解消費者的人。7-Eleven將每日銷售報表與天氣預測的資料，提供給這些第一線的員工，讓他（她）們做好進貨的決定，例如預報下午可能會下雷陣雨，店員就可以在下雨前，就先把雨衣、雨傘擺出來，以提高顧客買走的機會。而這樣的做法，也是7-Eleven獲利良好的原因之一，如圖1所示。
大數據的五大管理挑戰
在麻省理工學院執教的安德魯．麥克菲（Andrew McAfee）與艾立克．布林約爾松（Erik Brynjolfsson），於2012年10月份的《哈佛商業評論》裡，發表了一篇文章〈大數據︰管理的資訊革命〉（Big Data: The Management Revolution）。在該篇文章中，麥克菲與布林約爾松指出大數據世代下的五大管理挑戰。
挑戰1：領導
事實上，到目前為止，大部分的管理者在做決策時，還是依賴經驗與直覺。然而在大數據世代下，企業要能結合資料分析結果，做出理性的決策。亦即從「最高層決策的個人意見導向決策（Highest paid person's opinion） Driven Decision-Marking，簡稱HiPPO，）轉向「資料導向決策，DDD（Data Driven Decision-Making）」（如圖1所示）。由於HiPPO的縮寫，有河馬英文的意思，因此常被戲謔為「河馬決策導向」。
資料的四大來源：企業資料、雲端資料、開放資料、物聯資料
資料來源百百款，種類繁複，有些由人們所產生，有些則由機器所產生；有些資料存放在企業內部，極其珍貴，有些資料則屬於外部來源，讓資料科學家可以信手拈來。
資料是資料科學家的「衣食父母」，沒有它們，資料科學家只能原地踏步，但有了資料，資料科學家也需要有慧眼和工具，才能將寶石自礦山中挖掘、篩選和過濾出來。
以下簡單就中原大學資工所賀嘉生教授，所提出的四大資料來源進行說明。
企業內部資料的來源，主要來自於資料庫（Data Base）或是資料倉儲（Data warehouse）。存放在資料庫裡的資料，源自於企業內各種資訊系統，包括：銷售系統、人力資源管理系統、進銷存系統、顧客關係管理系統（CRM）、企業資源規劃系統（ERP）、供應鏈管理系統（SCM）和企業網站。企業資料通常最難取得，因為這些資料攸關著企業的營業機密。
大數據有多大？
你的手機裡有Instagram、Facebook、Line的App嗎 ? 如果你每天都有上傳照片、心情感想到這些社群網站去的習慣。基本上，你也是大數據創造者的一員。根據統計，人們每天上傳到這些網站或雲端的文件數量高達十億份、照片則有一億張，而其它的影音和金融、電信資料更不在話下了。
美國資訊專家提姆‧喬西( Tim Joyce)於2014年，寫了一篇分析資訊儲存成本的文章，內文中提到，造成資訊大量爆發的原因，其實是資訊儲存成本的大幅降低，因為消費者的行為產生出來之後，如果無處儲存，產生出來的資料也無以分析。舉例來說，現在1TB的硬碟製造成本不到100美元，而在1984年，IBM一台大型主機的四台儲存設備串連運作，每個容量只有2.52GB，也大約只有10G左右的容量，而要讓這些儲存設備能夠運作，造價可是高達5.5千萬美元。30多年前處理資訊的成本，與現在處理大數據，根本是天差地遠。
讓我們簡單回顧一下電腦基本容量的概念。一個Byte（位元組），指的是資料常用的基本單位，可以表示一個數字或英文字母。而一個中文字全形字，則由2個Byte所組成。所以數字123 等於 3個Byte，其中每個數字佔1Byte。至於像是「大數據」則等於6個Byte ，1個中文字占2個Byte。
常見的電腦容量單位如圖1所示。
行銷資料科學（MDS）與大數據（Big Data）
大數據剛出現時，一度被稱為巨量資料或者海量資料，因此也讓許多人誤認為，在研究行銷資料科學時，背後的資料量要非常龐大，最好是又多、又大的「大數據」（Big Data）等級。正因如此，許多人覺得，行銷資料科學與大數據之間有著必然的關係。事實上，行銷資料科學與大數據並沒有絕對的關係。其實，縱使是小資料，也能透過分析並獲取有用資訊，進而做出相關的行銷決策。
不過，對於擁有大數據且能對加以分析的企業來說，更有機會擁有「分析優勢」（Analytics-advantage）。因此，對於推行行銷資料科學的企業而言，了解大數據，有其必要性。以下簡單對大數據的基本概念進行說明。
根據維基百科的定義，大數據意指「傳統資料處理應用軟體，不足以處理其大或複雜的資料集的稱謂」。在這個定義裡，指的是「資料量龐大到資料庫系統無法在合理時間內，進行儲存、運算、處理，分析成能解讀的資訊時，就稱為大數據」。
至於大數據的來源則包羅萬象，包括：互聯網文本和文件、社會網絡數據、網路日誌、POS系統數據、RFID紀錄、或是人臉辨識、眼球追蹤、GPS、客服電話錄音、傳感器數據、以及天文學、大氣科學、醫療記錄，甚至是基因組學…等。
大數據（Big Data）的發展
在美國加州大學戴維斯分校任教的馬丁‧希爾伯特（Martin Hilbert）教授，回顧約180篇關於大數據分析的期刊論文，並於2016年發表了一篇文章[1]《 Big Data for Development: A Review of Promises and Challenges》，其中談到大數據分析的前景與挑戰。
https://www.youtube.com/watch?v=XRVIh1h47sA
（馬丁‧希爾伯特（Martin Hilbert）教授演講大數據的發展）
他歸結出今日大數據的產生，可由下列三項資訊的發展來說明。
