不业务，无大数据。
2、颠覆BI，打造大数据技术引擎
这是当前大数据领域最火的地方，很多企业纷纷在建设自己的大数据台，不外乎解决以下问题，以下仅举例。
比如用Hadoop、流处理等技术解决海量的结构化、非结构化数据的ETL问题，用Hadoop、MPP等技术计算海量数据的计算问题，用redis、HBASE等方式解决高效读的问题，用Impala等技术实现在线分析等问题。
本质是基于廉价的机器，采用去中心化，分布式的方式去解决海量结构，非结构化数据的存储、处理和读写的问题。
要理解这个，其实去读懂Google的三篇论文就可以了，分别是关于Google File System、Google Bigtable及Google MapReduce的。
但并不是每个企业都需要打造自己的大数据平台，量力而行吧，可以自研 ，比如BAT，也可以采购，比如传统大企业，也可以租用，比如用阿里云和AWS。
在技术上，传统BI的ETL、数据仓库、OLAP、可视化报表技术，都处于淘汰的边缘，因为它解决不了海量数据(包括结构化与非结构化)的处理问题，其所有的功能都可以被对应的大数据组件所替代，因此不再有发展前途，大多数企业即使没有大数据业务的驱动，但大数据技术的成本优势在那里，不做大数据也倒逼你用大数据技术，是不?
当然传统BI那套，也将长期存在，毕竟大数据的普及和应用是个漫长的过程，传统企业对于大数据技术稳定性的担忧也是个障碍，但企业至少要末雨绸缪了，趋势不可挡啊，大数据技术会越来越成熟。
我记得自己的企业1年前还在用DB2，仅一年的时间，GBASE就把它替换了。我们总是低估了技术革命对于我们自身的影响程度。
3、重塑BI，升级人员的知识结构
有了业务，也有了技术，再来看看人吧，很多企业在热火朝天的建设大数据平台，但建完之后，却发现仍然是个报表系统，或者仍然是原来的BI，领导一看，会感叹，不就是换了个马甲啊，大数据有啥用?
很多企业，它可以有很多的预算购买很贵的机器和软件，但对于引入人才和培养人才却有点力不从心，买了1个亿的大数据硬件和软件，却希望原来的BI班底就能带来大数据应用的繁荣，那也是差强人意的事情，新品装旧酒，原来班底能搞定公司的报表系统就已经很好了。
为什么传统BI人员搞不定?
大数据需要有人专门研究和探索，传统BI人员时间精力有限，此为其一，不是否定BI人员的能力，只是表达不要奢望BI人员既做个合格的报表哥，又是个大数据创新达人，企业要能做些取舍。
大数据的数据处理，涉及太多新的技术，传统BI只要懂点SQL就可以活的很好了，但现在看看，不同的应用场景需要不同的大数据处理方法了，而且不再有人机交互那么好的客户端了，至少要懂流处理、HADOOP、列式或分布式键值数据库吧，大数据对于BI人员的技能要求其实大幅提高了,此其二。
大数据更强调全量了，原来的BI挖掘人员，搞一些样本在单机上运行个R就很欢乐，但现在不行了，针对5000万用户搞个三度交往圈试试?传统方式在BI时代大都尝试过了，只有更新方法，才能带来新的机会，比如，至少要求建模师会在SPARK上开发算法程序吧，对于用户画像、产品标签化、推荐系统、排序算法都应有所理解，此其三。
人才是大数据的核心要素，没有人的投入，不能奢望有啥产出，需要多点人才的引入和培养，少点大数据的心灵鸡汤，大数据绝对不是大忽悠，如果有所怀疑，就问问你这个企业有多少人是在做大数据研究和实践的。
因此，大数据相对于传统BI，不是简单的PLUS的关系，它涉及了思想、工具和人员深层次的变革，BI人员既不要一提大数据，就嗤之以鼻，认为它是新包装的马甲，其实就那么回事;也不需妄自菲薄，以为搞大数据就那么高大上，它的确是BI大多数思想的传承，传统BI对于数据的处理思想，都可以用于大数据。
顺应大势，更新自己，奋起直追，重装上阵，是BI应有的态度。