导读：颗粒度太粗的需求不具有任何价值，它既无法明确当前问题的具体场景，也无法细究问题产生的根源，还无法科学决策解决方案的适配程度高低，更无法让不同干系人对不同需求点重要性排序和未来“理想国”的理解一致，当然也不会产生合力，最终最好的情况是收获一些皮毛价值，差的情况更多是系统成功上线了，原始问题没解决。
在今日头条上看到一篇文章《金融行业大数据的应用案例分享（中信、民生、青岛）》，同样是商业银行，同样的业务目的，同样的数据，采用的却是不同的解决方案。都是成功案例，甚至有一个是IBM做的，单独来看应该说从需求到解决方案的推导过程经得起各种“科学性、先进性等等”推敲，但并列在一起，大家会不会和我产生一样的疑问：为什么是不同的解决方案？推导过程真的没问题吗？产生不同解决方案的根源是什么？为了解答上述的疑问，首先让我们来摘录原文的一些内容：
۞数据源真是完全一样，近乎拷贝
- 个人特征数据：年龄、性别、职业、收入、工作区域、社会关系等。
- 资产数据：个人定期存款、活期存款、信用贷款、抵押贷款等。
- 其他数据：个人互联网行为数据、个人位置信息数据、商户数据（商户客户对象、商品种类等）。
۞应用背景略有不同，其实一致
- 中信银行：业务的竞争，就是优质客户的竞争。现有系统无法提供以客户为中心的突发、复杂分析。
- 民生银行：存贷利差收窄趋势迫使银行通过数据驱动业务运营和创新，需要个性化的精准营销。
- 青岛银行：银行拥有客户的账户、产品、交易等大量的结构化数据，以及语音、图像、视频等非结构化信息。这些信息蕴藏了诸如客户偏好、社会关系、消费习惯等信息资源。希望能提升精准营销能力，为银行提供全方位、精确化和实时的决策信息支持。
总结一下，3个案例的所谓应用背景，或者说业务目的、业务问题、业务痛点、项目目标都是数据驱动运营，识别客户，个性化精准营销。
۞不同的实现路径
显然，中信银行采用的是传统的基于数据仓库的BI和数据挖掘解决方案。
民生银行的解决方案在BI、数据挖掘的基础上，还增加了机器学习、检索、业务规则引擎等内容。
青岛银行采用的是跟上两家完全不一样的Hadoop大数据解决方案，估计是3个案例中最新实施的。但完全没有采用DW和BI的技术，难道客户、账户、产品、交易等结构化数据不需要多维度？
同样的行业、同样的问题、同样的目的、同样的数据，3个案例的不同解决方案有对错或高下之分吗？其实依据原文提供的信息，是无法判断的。因为信息或者说问题和需求的颗粒度太粗，没有当前问题场景的细节、没有未来期待场景的细节、没有阻碍未来场景取得的当前问题根源细节分析、没有多因素的权衡和优先度排序、没有自身特点和约束的分析，任何一种解决方案的科学性都可以找到大堆的理由，甚至可以找到各自的很多成功客户。其实这已经是预设结论后，反过来找理由，你一定能在粗颗粒度的需求和解决方案之间找到关联点，本案例就说明了这一点，你可以推导出任何一种你想要的解决方案，或者被洗脑认为这种推导是科学的。
问题的根源出在粗颗粒度的需求和业务痛点上，在这一颗粒度上，一个行业的所有企业存在的问题都是一样的，没有差异，就像家庭装修，都需要装修厨房、卫生间、客厅、卧室。可哪怕房型一样、三口之家一样，你见过两套装修一样的房屋吗？为什么没有，因为需求、喜好、约束的细节不一样，所以，套用现在的流行语，一切粗颗粒度的需求都是耍流氓，家庭装修你知道需求细致化，信息化也请一样。
