商业发展往往不是连续的，尤其是在有颠覆性创新的情况下。例如，传统出租车公司可以在一些平稳趋势假设下预测客流量，从而决定应该购买多少新车。但当滴滴等网络专车进场，以往的这些模型和预测就会失效。因此，不可过分依赖历史数据的分析结果。
在对今年美国总统大选结果的各种预测中，“义乌做旗子的预测美国大选结果”异军突起，让人们见识到了大数据的神奇力量。眼下，在我们生活周围环绕着各种大数据，但很多人对大数据还是一知半解。有人甚至觉得，大数据分析是计算机系、统计系学生才学的技术课程，商学院的学生如果学习大数据分析，肯定不如他们做得好。事实真是这样的吗？
数据本身是中性的
如果手头有海量的消费数据，可以用来做什么？通常的想法是，这些数据可以给消费者的信用打分，判断是否提高其信用额度。但你有没有想过，可以用这些数据来炒股赚钱呢？
美国第一资本投资国际集团曾经发生过这样的事情：2名分析师利用公司掌握的消费数据分析了至少170家上市零售公司的销售情况，据此预测这些公司的销售额。
然后，他们在这些上市公司公布季度财务报表之前购入看涨期权或者看跌期权，进而获取巨额利益。3年内，他们在股市上的投资收益率达到惊人的1800%。当然，这一做法是违法的，属于利用内部信息进行交易，最终被美国证券交易委员会逮住了。
有意思的是，美国证券交易委员会识别违法交易也借助于此。他们用到的分析方法有：超常收益识别，看投资人的投资收益率是否远比采用类似投资策略的投资人的收益率高。
链接分析，从手机通话记录中找一个个社交圈，看异常投资收益是否和社交圈里的信息流动有关；还可以从交易记录中找小圈子，如买卖是不是在一个小团伙里面进行，合谋炒高股价。关联分析，通过交易行为的相关性找出内幕交易合谋者或者人头账户。
行为分析，看投资人的交易行为是否发生异常变化，或者是否和投资经验不符，如明明是菜鸟注册的账户，操作行为却十分老到，止盈止损风险控制什么都懂，等等。
这些例子表明，大数据本身是中性的，关键在于如何使用。如果缺乏商业洞察力，大数据可能就只是一堆数字。
商业洞察力是“艺”
如果说大数据分析是艺术的话，那么数据分析技术是“术”、商业洞察力才是“艺”。好的商业洞察力，能够帮助企业超越大数据分析的技术局限。
保险业是重度使用大数据的行业。但如果有人伪造信息并且故意制造车祸来骗保怎么办？可以通过增加数据并构建一个欺诈识别模型来应付，也可以采取人工来识别，但都需要付出巨大成本。
德国有家初创企业通过商业模式创新的方式，解决了这个大数据分析难以解决的问题。在这个名为P2P保险的商业模式中，投保人向亲朋好友发出建立保险互助关系的邀请，一起交保费并参与到保险互助网络中。若保险产品到期时没有出险，消费者可以获得最高40%的保费返还。若出现小额赔付，则由亲友所缴保费的资金池进行赔付。超出这个资金池的赔付，由企业承担。
这个商业模式解决了大数据分析难以解决的防欺诈问题，原因在于亲友之间互相了解，都不愿意把自己和骗子绑在一起，所以骗子找不到亲友和他一起投保。同时，保险欺诈不容易被保险公司发现，却很容易被亲友识破，且欺骗亲友比欺骗保险公司的道德压力更大。另外，自己的小额损失让亲友代为承担，通常比让保险公司来服务更加令人感到尴尬，所以人们不会随便报损。
两个常犯的错误
在应用数据挖掘结果过程中，有两个常犯的错误需要引起注意。
第一，误以为相关性代表因果关系，实际上两者不能等同。管理者应该根据数据挖掘结果继续深挖因果关系，才能找到更有价值的商业洞见。例如，发现来自移动端的用户转换率明显比来自电脑端的高，就加大对移动端广告投放，也许并不是唯一途径。继续深挖这个现象的因果关系，可能会发现来自移动端的用户其实早就是公司的老客户，本来就喜欢公司的产品，所以转换率高。而来自电脑端的用户基本是新客户，因而在电脑端投放广告可能效果更好。因此，利用相关性来帮助商业决策需要不时检查。
第二，误以为基于数据的预测是平稳的。商业发展往往不是连续的，尤其是在有颠覆性创新的情况下。例如，传统出租车公司可以在一些平稳趋势假设下预测客流量，从而决定应该购买多少新车。但当滴滴等网络专车进场，以往的这些模型和预测就会通通失效。因此，不可过分依赖历史数据的分析结果，尤其在战略决策时，商业洞察力起的作用更大。
总之，在容易获取海量数据的时代，大数据分析是帮助企业决策的重要工具，但管理者的商业洞察力和智慧仍是不可缺少的重要因素。
