在一个通过数据驱动的商业环境中，企业组织或者技术组织结构一般分为以下 3 个逻辑板块。从底层到上层分别是 Data engineering（数据工程），Data sciences（数据科学）和 Decision sciences（决策科学）。

▌下层数据平台：通用性平台为主，完整解决方案，开源解决方案

最底层是工程性的工作，主要指对于数据底层的工程性技术解决方案，例如对原始数据进行清洗、验证和纠正，数据储存和调取。在这一层有很多的开源解决方案和系统集成服务商。

这一步的目的是收集和整理大量数据，把它变成便于数据科学家使用的方式。大部分企业或者工程师把 80% 的时间花在了这一步 。美国财富杂志前几天公布的数据显示，美国企业每年在大数据服务上的花费是 40 亿美金左右，其中 40% 花在了数据整合和清洗上。可以说，整个数据工程在时间和花费上都占据了很重要的位置。

▌中层算法和数据呈现：通用性算法接口，行业专业知识，开源解决方案

处于中间层的是数据科学，这可能是大家最常听到的一个领域。现在很热的人工智能、深度学习，都属于这一层。这一层的作用是通过数据建立起对某个问题的模型。比如说，通过历史数据建立起天气预报模型，或者通过大量病理数据建立起疾病的预测或者诊断模型。

开源社区的发展让很多非常复杂的算法模型变得非常容易使用，极大地促进了数据科学的发展。数据科学家可以很快地验证预测模型，并使用到实际的商业项目中。目前的解决方案主要是开源方案，一些商业 API 以及企业内部的私有数据计算框架等等。

▌上层商业决策：深入的行业专业知识，商业洞察，内部决策和外部咨询

第三层是决策科学，它是数据的最顶层，也是实际产生商业价值的。比如我们预测明天要下雨，这个预测的价值在于，得到这个信息的商家第二天可以把伞放到更明显的地方，以增加购买量。这样就产生了商业价值。

这只是一个简单的例子，实际情况要复杂很多。比如，很多游戏中，机器可以根据玩家玩游戏的时间、模式，来预测用户是否对游戏感兴趣，一旦发现玩家对游戏的兴趣正在减弱，就会自动进行一些奖励措施，比如奖励装备、奖励点数来留住玩家，都是商业决策的范畴。

▲ 大数据的产生和利用，天生就和商业决策联系紧密。

/ 04 /大数据企业的商业模式：在咨询和软件服务中徘徊