众所周知，数据并不像我们以为的那样整齐，找起来非常不方便。大家都以为谷歌查询的数量很大，实际上Weather每天的查询量更大。谷歌是一个大的搜索公司，未来可能会提供很多分析性相关的东西，把很多东西都放在里面，每天在全球查询量是3.5 billion，而Weather是15 billion。它除了查询天气预报以外，传统查天气是查北京市的，温度是多少，Weather里面有一些细节的东西，在北京朝阳区的小片里面那个大概的温度是多少，中国这边没有做到，但在美国做到了。这里要求对数据的分析功能，比起在谷歌那边要严格得多、分析要精细一些，所以在这里，支撑这15 billion的查询后面有分析引擎，目前我们正在把这个分析引擎往开放的框架中引。
数据生成数据的量是非常大的，包括做一次网购。你是用数据生成了一堆数据，看到那些所有的产品是数据，看到数据决定要买，它就再生成进一步的数据，然后这些数据再往后逐渐放大，真正要做分析的时候，这个数据已经到1000倍了。所以在讨论金融大数据时，不要只看到拿到的某一部分数据。这些只是其中最初级的原始部分，真正需要的是到最后的结果。我们考虑构建的是从1到1000倍增长的数据来看未来的数据的服务，所以当构建的时候，要想到的是现有数据库的1000倍以上，在分析过程中还会产生新的数据，可能对进一步分析有很大的价值。
中间分析的结果很重要。IBM最近在跟很多国内大数据相关的一些产业，比如交通。交通常用的有几类数据，一个是手机信令。对交通来说，这些人在城市里的移动，从哪个点到哪个点，意味着他们的居住地、工作地。这一类人在一个城市大家都从A到B，从C到D，互相交叉，对城市交通产生很大的需求，好的城市交通规划应该是平衡的，首先你要知道这个平不平衡，你得了解这个人到底在哪里，于是手机信令成为一个很好的点。拿到手机信令以后，它不是很准确，存在误差。这种情况下要描述一个人一天的轨迹，其实是模糊的状态。描述这个轨迹下来以后才能进行分析，描述完这个轨迹，首先是对这些轨迹的数据，分析结果的数据要存起来，以便于下一步分析使用。随后描述这个人的轨迹、停留时间，再通过各种分析的手法，区别每个地点的类型和这个人的职业等信息。这些数据要存起来。把原始数据通过扩散关联的方式找出后面，后面分析结果还要再进一步的考虑。
传统上，数据通常是数据源到结果，目前大家用的比较多的是这种。人们更关注把数据放在哪儿，查询找到它是什么，这是基本的模式。像万得那样的服务，目前基本就是查询，重要的是它使查询变得简洁，做一些预分析，谁和谁的关系是怎样的，把预分析做死，把它固化在其系统里面，固化在其系统里面，就形成关联的固化关系，这个信息被存储起来，所以在万得的系统里使用、查找就很方便。找到它，尤其是它关于整个跟金融相关的元数据模型的时候是非常好的。但据说万得的元数据模型是从Bloomberg学习来的，中文化并加入中国特色，给投资人提供很好的界面。据说目前90%的市场都是万得的，这个领域以万得为例来讲，虽然它的创新并不大，但可以把这里的东西做得很精细适用。
Systems of engagement。传统认为，信息系统本质上是交易系统。把数据提交给后台的数据库，数据库进行交易处理，永久性存储起来，用可备份的方式使得这个数据不会丢失，这笔数据的交易就完成了。数据系统关心的是数据被永久存储且不会消失，这部分叫Systems of Record。Record是记录，是交易型的、记录型的。
社交媒体、移动、云服务不断发展，比较有代表性的就是微信和银行。微信不仅是提交一个数据存储，而是它有很多关系的产生，人和人之间、数据和人之间、人和系统之间、系统和系统之间都产生大量的数据，这些数据的存储、管理、后台的支撑、经常性的变化，它可能对交易的完整性不那么在意。相对来说，发一条微信丢了再发一条，可是在银行存一笔钱，银行说丢了，大家肯定不干。银行对数据交易的完整性要求非常之高。这个就是产生了Systems of engagement。
Systems of engagement接下来是分析洞察。当你有各种System Insight，就是分析洞察，像构建的数据库，当有大量的交易信息，股票交易信息和大量的社交媒体信息，这就属于System Engagement。这两类信息融在一起，找出之间的关联，发现隐藏的关系，这个时候就到了System Insight。这是IBM和若干公司都非常一致的看法，这是一个基本的概念。这是传统到现在到未来的变革。未来变革大量使用的就是分析引擎。