不论是智能制造、智能零售或是智能建筑的方案，这个问题都是最优先要回答的。循着这个逻辑，下一步应该盘点企业内是否已经拥有相关资料。若答案是肯定的，紧接着要思考用传统的统计分析、商业分析 (business intelligence) 或更进一步的机器学习 (machine learning) 来解答。如果资料的复杂度需要用到机器学习，那么企业内有熟悉资料科学的人员可以处理吗?当这些问题都清楚审视过后，哪些软、硬体工具适合企业使用的答案就自然浮现了。
若是企业目前拥有的资料不能回答待解决问题，则在进行上述思考过程前，必须更优先评估如何取得必要的资料。传统上，企业在买电视广告前，通常会买一份收视率调查报告，再针对自家产品的特性与预算规模，选择投放广告的频道及时段。然而当前个性化消费的时代来临，企业已经不能满足于电视广告这种单向且无差别式的沟通方式。
互联网经济下， 顾客在网站内浏览行为是最直接的行为数据。 只是时代往新零售模式迈进，线上结合线下 (online to offline, O2O) 乃至全通路 (omni channel) 已然成为沛不可挡的趋势。因此 顾客在线下的行为，甚至是在不同通路或场景的一举一动能否更大幅度地被记录，已是企业不得不面对的难题 ，这就是笔者一贯提倡用物联网应用方案协助企业的背后缘由。
然而，值得说明的一点， 没有清楚针对企业需求组合的物联网应用方案绝对不是一个好方案，而且没有对接数据分析功能 (不论是内建或有意识地输送数据到其他数据分析软体)的方案，只是一个骗取客户荷包内预算的花架子 。企业在选择诉求智能零售/智能商城方案时，首先应该检视相关方案的系统架构，才不会浪费时间与预算。
零售餐饮是个直接面对顾客的行业，企业每天要处理的都是事关“人”的满意度的议题。在互联网快速迭代演进的中国，小从 POS 的互联网化开始，许多业者将原本笨重的收银机转为手持装置，概念上与手机相似，连里面装载的应用程序也相仿，因此可以大量使用既有的互联网架构与资源，让收银机的成本大幅下降。
最重要的是 透过这个联网装置可以直接与网路社群接触， 实际实现了 O2O 的精神，将顾客从过去的过路客，拓展到惯于使用网路的新世代，还将他们带到店内消费。借助目前已经蔚然茁壮的云产业的支持，一个便宜的手持式装置在某些方面的表现甚至还强于昂贵的电子式收银机。
在这个观念上更往前一步的则是专注于开发云端的 POS 系统，他们不挑选特定轻量型装置(不强调订制化的手持式 POS，即便是一台 iPad 也行)，这种理念开发出来的 POS 方案，甚至跳脱服务单店的手持式 POS，进而支持规模数量庞大的连锁体系，此时搭配互联网上各种点餐快送 app，更加将线上向线下导流发挥到极致，这样的方案如果搭配 ERP 及 CRM，再加上各种物联网应用方案，可以为大规模连锁总部提供更快速即时的多种顾客行为及企业内经营效率资料。
锁定资料源并完成数据搜集后，企业紧接着应该向方法论的下一步迈进，有意识地依照顺序交叉使用各种管道收集得来的顾客资料。 举例来说，成交资料代表着前一阶段各部门集体努力的经营成果，这里通常是分析的起点，加上各场合获得的顾客行为资料，是大多数顾客推荐系统处理的范畴。
然而个别顾客推荐系统能够处理的资料栏位、采用的算法、处理资料量与处理速度等等都是企业应该评估的重点。然而，从成交记录出发另一个处理的角度可能是企业进货(或备料)预测，这部分的分析除了更加需要产业知识 (domain knowledge) 外，对于选择适合的一种或数种算法能力的要求更高，因此对于数据科学家的要求更高。
而且，外部的非结构化资料也可以在适当的时点投入被交叉分析的行列中。这一切都要求数据科学家与企业各相关部门人员在导入初期就讨论出适合被解决问题的方法论，才能有效率的回应企业在新零售时代的挑战。
借用 Frost & Sullivan 的 Smart retail journey 图叙述企业对于的演进历程，过去我们处在一个资料片段破碎的零售时代，随着数位化潮流的来临，企业一直朝着运用数据改善营运效率的方向前进， 最终我们将被资料包围，而且在无接缝的环境下善用各种不同性质的资料，完整描绘顾客，清楚结合市场走向与资源运用后，精确的规划企业策略。