看着那么多人在争论如何定义大数据，感觉非常有意思。总是会有人提出不同的建议，即便只是存在细微的差别。在任何规则的背后也都会有潜在的例外。因此，从商业角度，而不是单纯的学术研究方面来讲，我认为在这样的争论上花很多精力并没有太大的实际价值。还是让我们来一探究竟吧。
数据分析的目的是为了利用数据去做出更好的商业决策。这一切都在于它的商业价值。判定数据本身究竟是“大”与否并没有增加任何的商业价值。业界需要关心的问题其实很简单：是否存在一些其本身具有很高的潜在价值，但目前仍未被收集的数据源？如果答案是肯定的，那么它就需要被收集并分析。这便是一个商业人士应该关心的核心问题。他们并不需要去在意数据本身的大还是小，或者介于两者之间。
让我们来想象一个应用场景，一群商业以及IT人士聚集在一个大型会议室，讨论一项新的数据源。作为座谈的一部分，他们达成一致协议，认为这项新的数据源应当（或不应当）被认定为大数据。这份结论对推动会议进程起到了任何作用吗？什么也没有。真正推动会议进程的，是这只商业团队认可这项新的数据资源是有用的并且值得分析；是这只IT团队决定如何基于数据本身的特点以***的方式使得数据可用。只有当致力于使数据付诸于工作而不仅仅停留在语义的定夺上，才会有真正的进展。
如上所说，一旦决定某项数据源是重要的，那么数据本身的特点会影响我们如何获取它以及如何将其应用于分析过程。举例来说，如果这项数据通常是大数据并且/或者是松散的，我们可能会需要利用某些与大数据相关的技术。但是，这仅仅是出于一种技术实现方面的考虑。而关于这项数据，做出是否具有足够价值去收集的重大决定，与我们将其置于怎样的语言定义范畴，没有任何的关系。
另一个通常性的错误是将大数据等同于具体工具或技术的运用。但是，工具和技术的应用是广泛的，并不仅仅局限于大数据。举例来说，如果我想为一家全球性组织做一项关于情绪与所有社会媒体评论的分析，我可能有大量的数据需要处理。我还需要某些复杂的文字分析工具和情感计算法则。现在让我们来假设我想要做一项关于情绪与10条对我的评论的分析。猜猜会怎样呢？我需要完全相同的文本分析工具和情感计算法则。我只是不需要用相同的标准去衡量他们。
通过以上观点可以看到，更多与“大数据”相关的其实是一个“不同数据类型”的组合。文本数据需要不同的工具和技术。半结构化数据比起传统的结构化数据需要更多不同的处理。但是，这些数据类型对于无论是大型还是小型数据而言都需要不同的处理方式。
对于负责大数据技术实现的人群，还是有必要去练习理解各类数据的不同，以及他们是被如何定义的。我并不是说在这个领域里的所有努力都是浪费时间。如果你连数据本身所包含的内容都不理解，那你如何去开发处理数据的工具以及技术呢。我仅仅是认为，我们过多的强调了涉及客户的主题，例如那些实际上并不用去担心的商业客户。
下一次当有人再向你询问如何定义大数据，或者某一项数据来源是否应当被认定为大数据的时候，考虑下你将如何回答。你们真的需要这样的讨论吗？或许你们是否需要换个角度，更多的去研讨这项数据可能会具有怎样的价值以及应当怎样予以分析？我相信，如果选择了后者，你们将会取得更大的进展，获取更大的价值。
