第二方面是数据产品。在确定了大数据的业务投入优先级后，我们需要考虑的是如何通过数据产品来帮助提升业务的绩效。为什么是“数据产品”而不是“数据工具”，这是因为“数据产品”比“数据工具”更加强调易用性和用户体验。数据和分析模型本身的输出可能会比较复杂，比较难理解，这样往往导致经理或者一线员工等数据用户不能理解，更称不上运用。所以，只有数据产品在业务具体的场景运用的时候，以非常简单易用的方式来呈现，才能让更多的数据用户使用。企业数据用户(往往是业务、产品、营销负责人等非大数据专业人士)在实际运用大数据的时候，更关注的是大数据的产品在哪些方面可以直接帮忙提升绩效，不需要关注大数据这些产品背后的逻辑、分析模型等“黑洞”。如果我们在提供数据产品的时候需要数据用户理解很多“黑洞”，那么数据一定运用不起来，数据的价值就会大打折扣。比如，数据产品可以告诉营销人员，您这次合作的营销推广渠道有所带来的用户40%是作弊而来，我们把这些作弊渠道带过来的用户叫“假量”，数据产品不需要告诉营销人员“假量”是如何计算的，但知道结果和优化方向即可;或者数据产品可以直接告诉营销人员哪些产品和其他产品可以做交叉销售，数据产品可以根据用户需求自动化实现交叉销售，从而进一步提高销售额，
第三方面是数据模型。数据产品背后的“黑洞”是数据模型。数据的简单堆砌不会创造太多的业务价值，需要数据模型、数据挖掘的方法来实现海量数据的商业洞察。常见的模型如预测和分类。在预测方面，如通过高级的模型来预测哪些用户可能会付费，他们的特征是什么，经常在哪里出没;通过数据模型来预测付费客户的数量，以提前发现考核期结束后付费客户数量和KPI的差距以及优化方向;通过预测模型来洞察用户的未来购买需求;在分类模型方面，我们可以通过分类模型结合大数据实现更准确更实时的用户细分;或者通过分类模型对不同价值的客户进行合理的分类，确定服务的优先级和服务内容。企业在制定大数据战略方向时，需要介入数据专家根据应用场景和数据产品的输出来选择模型以及优化模型，从而确定模型研发的方向和优先级。
第四方面是数据资产。有了应用场景、数据产品和数据模型这三大方面，我们就能更清楚的知道：为了实现这三大方面，我们需要哪些数据，什么数据是企业现在拥有，什么数据可以通过合作产生，什么数据需要外部整合，什么数据需要进行购买或者投资。有了前面这三大方面(应用场景、数据产品和数据模型)的规划，大数据的采集、整合、管理的策略便能比较容易理清头绪和相应的规划。当我们合理的整理企业所拥有的数据，并整合有利于业务发展的外部的数据，形成系统化的管理，才能很好的形成企业的数据资产。但在国内，最大的问题常常是各业务部门、各事业部以及职能部门的数据经常各自为政，数据存放在不同的数据库中，数据无法整合打通，企业内部形成各种孤岛，导致企业数据资产无法发挥整合效益，数据资产流失。要让企业的数据成为长期的数据资产，企业高管则需牵头规划，整合不同业务部门、不同事业部的数据，推动建设高数据质量的数据治理标准。
值得注意的是，为了加快大数据的推进速度，企业高管同时需要确定什么方面企业自己开发实现，哪些方面委托第三方实现，哪些方面需要购买。在数据产品和数据模型方向，不一定所有工作都需要内部员工实现。领导层需要根据时间和自身资源(尤其是人力资源)的情况判断，哪些数据产品自己开发、哪些数据产品可以委托第三方公司开发、哪些数据模型自己开发、哪些数据模型委托第三方公司开发。在收集外部数据的时候，我们既可以组建自己的团队进行数据收集，或者委托第三方公司帮忙收集，或者直接采购，或者收购相关的数据公司，总之，在企业需要根据自身情况进行合理的规划。
2.强化高管团队大数据能力，设立数据CDO
在互联网和大数据高速发展的时代，大数据正在深刻地改变商业前景。如果企业要想抓住这个机遇，企业高管的数据决策力，数据管理能力也需要加强。抓住和大数据相关的机会可以增加企业营收、提高企业运营效率，甚至开拓出全新业务。大数据在推进的过程中，最关键是要高管重视，高管重视不仅仅是挂在口上，而是要考虑在决策层构建数据方向的决策力和领导力，否则企业很难把大数据用好。因此，需要在决策层增加数据高官，如果不增加新的数据高管力量，很多组织的大数据大计将难以启动。