在大数据时代，人们很容易把一大堆数据定义为“大数据”。比如，大型制造企业和仓库可能存有多年积累下来的存货数据，或许高达几兆兆字节，但这并不能算大数据。同样，1 500个POS机的现金数据、一大份工作表中的数据也不是大数据。
　　企业需要行之有效的方法去储存、分析、使用数据，如果管理的不是大数据问题，那就没有必要建立数据池、雇佣数据科学家。说到底，辨别所管理的是大数据还是大量数据至关重要。以下是我个人推崇的几种辨别方法：
　　1. 数据是否来源于多种不同渠道。
　　如果数据来源单一，即使数据量很大，也不太可能是大数据。
　　职业数据人会考虑大数据的3V（或4V）：数量，多样性，速度（精确性）。本文讨论的就是第二种：多样性。一般来说，大数据往往不是来自于单一源头或系统，而是来自于许多不同的地方，不同的形式，以及不同的变量。
　　例如，POS数据尽管数量庞大但不是大数据，可是如果把从供应商处取得的数据与其整合以构建供应链，则它们就成了大数据。因此，问题在于是什么形成了大数据，而不是仅仅考虑数量因素。
　　2. 数据是否需要被实时分析使用。
　　并不是所有的大数据都一定来源于多种不同渠道，当数据需要被实时分析使用，比如预防欺诈、股票交易时，尽管数据缺乏多样性，但仍可被定义为大数据。在信用服务业，用于预防欺诈的数据来源并不复杂，但需要实时分析技术，这样若真的存在欺诈，也会被马上检测出并予以阻止。
　　同样的，股票交易员所依赖的高频交易数据也并不是特别复杂的数据，但需要连续处理以做出买入或卖出股票的决定。
　　3. 你是否需要询问复杂问题。
　　当你开始针对数据询问更加复杂的问题的时候，比如确定因果关系，则该数据就成了大数据。当然，在这种情况下，最好还是使用多方面来源的数据。
　　比如，当你想知道女性红色高跟鞋四月份的市场情况的时候，你所要的数据就不仅仅是你自己的采购记录了，你还要整合社交媒体和其他外部市场数据以得到最佳答案。
　　4. 数据集是否代表了许多不同的变量。
　　如果数据代表了一系列不同的难以界定模式和关联性的变量，那么即使数据是由单一系统或小型系统搜集而来，也可认定为是大数据。例如，气象数据仅从一些基础的系统取得（气温，气压，风速等），但数据关系却极为复杂，即使是最富经验的气象学家也不一定总能做出准确的气象预测。因此，他们会使用高度专业化的数据分析方法以做出更准确的预测。
　　5. 数据是未架构的，半架构的，架构的还是以上的综合。
　　诸如SQL等关系明确的数据库长时间以来成功地处理了组织良好的数据，但如今的多媒体世界为我们呈现了一系列未架构的和半架构的数据，这些数据在SQL中无法得到良好的处理。这些数据包括图像，视频，文本文件，电子邮件交流，社交媒体，音频文件以及其他。
　　以上五種鉴别方法，正是我们在讨论大数据运用时，常常因为边界模糊，定义不清晰造成的“误判”。
　　这是一场颠覆性的革命，从信息不对称的服务业出发逐步延伸到政府、制造业甚至第一产业中。许多企业家的坐标系、商业知觉失灵了，许多投资人对趋势的判断失效了。这最早体现在客户结构的变化，上世纪八九十年代人群的消费成主流，带动游戏规则的变化，物理间隔。
　　大数据时代一定要注意移动互联网。在2012年移动互联网流量已经全面超过PC了，我们如何在移动互联网做产品，同时考虑客户的需求点？未来软件会免费，会成为一个采集数据的入口，行业的边界会被打破，现在更多的行业都在做金融相关服务。数据越来越重要，已经在逐渐成为资产。
　　这是一个完整的电商过程，一个做得比较优质的电商从客户进店、浏览、下单、付款、期待、收货、评价。有一家大的互联网公司，它的客户分成接近800万类，同时每一类贴上上万个标签，这是非常必要的过程。你会知道什么客户是你的老客户，什么是新客户，什么是忠实客户，什么是粉丝，以及未来在社交网络上新的营销方式，怎么通过粉丝进行大回响的效应等。
　　关于大数据的定义，准确地说是通过数据很准确、深刻地标识出来人或者事物行为的本质，通过这些数据来产生商业的或某一种动机的目的。
　　从这个意义上来说，至少有几个特征不属于大数据。第一，你有大量的数据并不能说明你是大数据，因为数据里面有意义的数据还是少数的。第二，数据之间复杂的关系往往是跨行业的，也就是说这些数据越是超越了某个行业，越是能够更复杂地认识人的行为，这种综合性是一个大数据的十分明显的特点。第三，它一定是不断交互和循环的。它会不断地学习，通过越来越深刻的、循环的过程，使这种识别、标识变得更为准确。
　　所以它也是动态的，因此大数据被应用于识别标识行为的过程中。今天因为有了平台、有了提供者、有了人参与、有了综合和跨越，最终服务于商业根本的目的。