每个消费者在消费过程中留下数据，就会形成商业大数据。

智能店与天猫在新产品启动、渠道管理、大数据赋能、线上线下全渠道融合等领域开展了一揽子合作。
**向新零售转型，销售水平是最直接的，其次是开放数据。**海澜之家采用RFID该技术分配了2亿件衣服的身份代码，实现了在线订单、离线交付，实现了商店之间的数据共享，使销售数据从碎片到集成，然后通过大数据分析，更好地分析和洞察消费者需求，及时调整业务策略，减少整体业务投资，最终实现品牌重塑升级。

数据已成为商业领域的重要生产数据。

影视投资是一项充满风险的商业活动，收视率、票房、投资回报等重要指标的可预测性一直不准确。

Netflix数据来自其数千万注册用户。每次用户观看视频的所有操作，如电影和电视剧的搜索、积极或消极评分，以及地理位置数据、设备数据、社交媒体共享数据和添加书签数据，都将包括在内Netflix庞大的数据分析系统。通过Netflix大数据算法，Netflix你可以理解几乎所有用户的观看习惯，比如记录哪些用户在节目结束时停止观看节目，演员表开始滚动，哪些用户将坚持到底。另一个例子是知道用户喜欢在不同的时间段看什么类型的电影和电视作品，知道用户喜欢看电影的终端设备是手机、平板电脑还是台式电脑，最后推测具体的戏剧场景，比如人们更喜欢在周日下午用平板电脑看恐怖电影。

通过对以往用户观看习惯和偏好数据的深入挖掘和分析，《白夜追凶》在制作过程中优化了情节节奏和情节安排的时间比例，让用户在整个过程中感到紧迫和新鲜。

咕咚的发展战略是线下产品与线上产品相结合App。咕咚线下产品和线上产品App大量的体育数据已经生成和积累，这些数据的分析和应用为咕咚成功整合线下和在线产品，建立数字和现实的客户关系，最终成功构建商业生态系统——国家体育生态系统提供了核心支持。“咕咚”得以了解用户特征（年龄、需求偏好、运动时间、运动方式、运动地点等），为其优化更新产品和提升营销策略提供了有效支撑。“

在互联网时代，公司与消费者之间的边界被打破，消费者也可能是产品的创造者，即消费者众包。卖方和买方通过互联网直接交易，将消费者信息转化为数据，直接进入研发、制造、流通和营销环节，对最终产品和服务产生巨大影响C2B规模个性化成为可能。

消费者行为的数据也需要使用某些电子媒体，因为可用于大数据分析的数据必须是电子数据，电子数据只能通过互联网记录、流动和聚合。促进消费者行为数据的媒体包括智能手机、平板电脑和其他移动设备。以智能终端为代表的用户设备。这些设备已成为服务提供的重要界面和大数据收集的重要来源。

大数据正在颠覆传统的商业模式，给商业行为新的可能性，如商业决策、产品设计和优化、服务提供和广告营销。

由于大数据的干预，商业效率与消费者的利益并不完全一致，甚至可能变得更加对立。例如，大数据一方面使广告更加智能和准确，另一方面也使千人千价和同品不同质的普及成为可能。事实上，许多电子商务平台已经开始使用大数据技术来划分消费者群体，区分所谓的新老客户、敏感客户和不敏感客户，然后制定差异化和歧视性的价格，提供不同质量水平的产品和服务。

消费者的私人空间正面临着被大数据侵蚀的危险，明确数据的权利和使用边界已成为当务之急。例如，用户在平台上留下的个人行为和特征数据真的属于平台吗？我们在安装App同意的选择是否真的意味着个人信息使用权的完全转让？我们有权要求平台忘记我们的隐私数据吗？当个人数据用于商业利润时，我们有权拒绝被广告锁定吗？如何保护隐私，防止个人数据被商家轻易泄露？这就需要严格细致地规范和管理数据的收集、交易和应用。

以大数据为代表的创新意识与传统产业长期培育的工匠精神相结合，整合新旧驱动力的发展，推动传统产业的转型升级，有效促进虚拟世界与现实世界的整合发展，创造中国经济发展的双引擎。

**由于大规模生产已被证明是一种非常具竞争力的生产方式，要进行个性化生产，就相当于放弃了大规模生产带来的竞争优势。**此外，个性化产品的生产还涉及消费者皮肤检测方法、皮肤数据库和原材料配方数据库的建设、数据间的匹配、数据传输和智能机器人的研发和控制，不仅技术上难以突破，而且没有经验可供参考，投资效果和回收期不确定。无论从哪个角度来看，美容产品的个性化生产都是一条看得见的不归路。
每个人的皮肤状况都不同，如果你想从根本上解决消费者的皮肤问题，做准确的美容，护肤行业必须转向大规模生产到大规模定制生产，即基于大规模生产能力，实现灵活个性化的生产模式，实现生产范围经济，从生产模式转型促进制造转型和产品升级。随着消费升级的加快，制造业从自动化向智能化、个性化的飞跃早已成为行业的共识。从长远来看，定制是制造业的活路！伊斯佳终于形成了互联网 制造系统。由于个性化的产品配方基本上是个性化的，因此需要大量的皮肤、原材料和配方数据作为支持。
个性化定制和大规模生产是伊斯佳智能制造的两个重要表现。目前，我国大多数护肤产品制造商基本上围绕同一配方产品建立机器人生产线，即生产线只能同时接受一个订单，批量生产同一配方产品。他们所做的只是机器更换，即生产自动化。伊斯佳在中国首次实现了生产线的智能升级：基于订单和消费者数据，生产线可以生产满足不同消费者需求的多元化产品，实现C2M(客户对企业)大规模定制生产。
诊断消费者皮肤后，通过产品数据管理系统，计算机将根据结果自动生成数字配方，并将相应的配方信息发送到智能制造车间背景，然后根据接收的配方信息进行个性化护肤产品生产、灌装和检验，根据用户订单信息分类和包装，最后使用现代物流系统快速向消费者发送产品。每个产品都有唯一的二维码形式，即产品的出生证明，只有定制者本人才能有效地解释代码上的信息。生产、检验、包装完成后，定制产品直接与智能物流平台对接，现场放入快递箱，智能打印快递订单，直接快递，减少成品仓储环节，当天生产，当天交货。
在智能制造升级迭代的整个过程中，伊斯佳也遇到了创新项目符合现有国家监管法律法规的问题。例如，即使护肤产品的成分与其他类似的成分完全相同，也只有颜色差异，这也被视为一种新产品，上市必须支付高监控成本和周期，更不用说成分比例不同的个性化产品了。

智能工厂通过充分利用消费者数据，可以生产出世界上独特的个性化产品，是普通人买得起的好产品。如果工业时代测试企业的大规模生产能力，那么数据时代测试企业如何实现多元化、小规模、高质量、周期可控的灵活生产能力。

长虹打通了原本孤立的用户需求分析、市场预测和生产计划等环节，实现了整体维度上的数据串联，实时指挥制造系统，完成了生产智能化的升级转型。
大数据在生产研发创新、质量监控和供应链的分析优化等重要环节发挥着越来越重要的作用，智能化的工厂不仅仅是设备联网或机器换人，而是以人机互联、软件和大数据分析结合为核心所形成的工业互联网。我国工业互联网的提出可以追溯到2015年的“互联网+”行动。

相比消费大数据，工业大数据更复杂。一方面，它有着不间断、多样性和实时性等特点；另一方面，互联工厂的供应参数、生产工序的每一点变化，都会导致数据本身产生很大的变化。因此，互联工厂要真正实现自动化生产，首先企业要实现信息化，在此基础上推动所有流程的数字化。企业必须倒推流程，从原来生产主导，转到以用户为中心来开发产品。

从企业生产流程纵向看，当用户直接在美的线上商城上订购个性化产品时，订单信息通过C2M（顾客对企业）系统实时传到互联工厂，智能制造系统自动排产，并将信息通过协作平台传递给各个工序生产线及所有模块供应商、物流商，以及不同的工序对应的产品模块生产。这是第一步，互联工厂的大数据平台实时呈现生产线、营销等企业运营活动的真实状况。第二步，基于大数据融合的管理系统，所有生产设备、工人或机器，甚至每一个机械手都能产生数据，因而从原料配置、产品生产到下线包装、物流数据，企业都能实时监测，并掌握最终产品的销售区域市场去向，搭建柔性生产线按需生产，从而实现真正意义上的智能制造。第三步，横向跨越设计、生产、销售和服务数字化全链条，从而实现企业自动化运作，完成智能化的数据闭环。例如，传统企业需要10多天才能通过企业信息化的ERP云平台拿到生产报表数据。但是，智能化的互联工厂提供了实时的大数据，包括外部供应商的多个环节都可以直接看到用户的需求，可实现经营管理优化和资源匹配协同。

制造企业每天都产生海量的数据，包括内部的运维、管理、流程和质量等。同时，互联网大数据时代，关联的外源数据更多，包括供应商、竞争对手和客户需求反馈等。如何通过建构大数据系统，结合制造行业的知识经验将硬件、机器和工业软件更好地整合起来协作，是工业互联时代的考验。

智能制造的目的，就是利用数据整合产业链和价值链，通过大数据技术完成需求预测、生产模拟、生产可视化并监测“不可见问题”，实现全价值链的数字化解决方案。在那些率先完成智能化转型的生产车间里，频繁流动的要素不再是电流、人流、资本流或者物流，而是数据流。

据工业互联网产业联盟近期的一份报告分析，在调研的国内外366个工业互联网平台应用案例中，四成的平台应用仍然局限于产品或设备数据的检测、诊断与预测性分析领域，还没有涉及经营管理优化和资源匹配协同等场景，因为与后者相关的数据涉及面更广、分析复杂度更高。究其原因，一方面，传统企业一个个数据载体孤立，各个“节点”并不连通，无法跨系统、并联协同快速响应用户的需求；另一方面，需要长期的工业知识和经验积累，才能将异构数据源的数据高质量、高效率地整合到一起，满足企业“智造”升级的需求。

未来20年是中国制造由大到强转型的关键时期，也是制造业发展质量变革、效率变革、动力变革的关键时期。大数据带来的颠覆性创新技术将彻底撼动传统工业活动与制造工艺，革新生产方式，重构制造业的产业格局，建立起数据拉动、需求拉动的新经济生态。

需要实时采集供水区域管网压力监控点、关键流量点及水质监测点反馈回来的数据，及时掌握管网运行、流量和水质情况，按照需求供水。这样就能减少管网损害及能源消耗，避免供水滴漏。

浙江省绍兴市利用大数据、物联网和管网仿真等新一代信息技术，建立了“三维立体式”的供水管网地理信息（GIS）系统，数据涵盖了从用户水表到出厂流量计的全部管网和阀门、消火栓和排放口等供水附属设施，其中水表信息涉及40余万用户，率先在行业内构建起“用数据管理、用数据服务、用数据决策”的智慧水务体系，实现了精准高效控漏，管网漏损率连续多年稳定控制在5%以下。

农业灌溉用水量占全国总用水量的61.4%，因为我国95%的灌溉土地，仍然延续传统的漫灌和沟灌方法，水利用效率仅为30%～40%。

能精准灌溉，是指对农作物生长发育状态过程及土壤墒情、降雨量等环境要素的现状实现数字化、网络化和智能化监控。对精准农业而言，土壤干或湿，如土壤水分数据30%、20%，并没有实质指导意义，**真正有意义的是“墒”，也就是作物根系周围含水量的变化量，才能正确反映作物根系的吸水和生命活动情况。**如果前一天根系吸水使土壤含水量降低了5%，今天根系吸水仅使土壤含水量降低了2%。这可能说明作物根系吸水少了，不容易从土壤中吸收水分了，那就该灌溉了。系统通过收集土壤墒情、天气和湿度等各类农作物生长环境数据，并利用农作物生长环境大数据分析模型，计算核定农作物在不同阶段所需的水肥量，并实时动态调整。数据分析还可以包括水渗入土壤剖面所需的时间、特定时期内的用水量比较、历年的情况，以及灌溉性能（实际土壤湿度处于最佳水平、过低或过高的时间）。

在广东省最南端的雷州半岛，有一座科技感十足的辣椒示范种植园：气象站的仪器立在田间，搜集环境温度、空气湿度和光照度等数据，土壤墒情仪可以实时记录土壤中的水分变化、温度、pH值和EC值[插图]等数据。

孟山都公司在意大利9块农田中安装了特殊探测装置来测量土壤含水量，同时又安装了卫星识别装置，结合天气信息并参照卫星数据，对土壤湿度、温度和氮气浓度等环境大数据进行分析处理，不断训练农作物生长环境模型，从而得到农作物最佳生长条件，包括土壤湿度、温度和氮气浓度等环境参数，这为精准灌溉的实施提供了可靠的依据。

水，是生态环境的控制性要素。

大数据如何实现海绵城市的缔造？大数据将原本分割于各部门的数据，如城市水文数据、水资源数据、水质数据、实时雨情数据、历史大洪水数据、气象数据、灾情数据和水土保持数据等统筹整合，可以实现对城市水务、天气和土壤湿度等各类动态数据的收集。

悦来海绵城市监测与信息平台通过300多个监测站点实时采集、传输的监测数据，由后台数字化水文、水力模型进行不间断的实时模拟计算，预测未来2小时之内的降雨是否会造成排水管涌、路面积水和城市内涝等现象。除了计算降雨时的流量，该模型还密切监控异常数据并及时分析，对违规排放进行精准定位报警，或在管网发生异常淤积时及时报警。

如果建立起大数据平台，同时列入植被情况、降雨分布、温度差异、季风情况和空间开发情况等一系列生态数据，就能高效地筛选出适合草原各地区种植的牧草品种、生长规律和种植过程中所需水肥的配置方案。

福建省充分发挥生态云的作用，推动数据可视化，汇总省、市、县三级环保系统及部分相关厅局的业务数据、物联网监测数据（水、大气、辐射、污染源和机动车环保监测等）及互联网等数据，将区域、流域发展水平和产业分布、资源消耗、污染排放和环境质量等形成智能画像，使大数据预测模型更加精准。

对未来最大的慷慨，是把一切献给现在。

人工智能的本质是计算，要对如此巨大、动态和多元的数据进行迅速的组织和分析，机器计算能力的提升和算法的革命性改进就显得尤为重要。

在大数据发展的过程中，还有诸多问题和挑战需要直面与应对，包括缩小数据鸿沟、促进数据流动和保障数据安全等紧迫的议题。

数据只有跨越层级、组织和地域的边界流动，才能释放出其潜在价值。

全球化已经进入了一个以信息、思想和知识流动为特征的新阶段，而数据的流动是以上这一切流动的基础。

2018年7月，谷歌、脸书、微软和推特四大互联网巨头联合发起了一项数据转移项目，旨在增强平台之间的数据流动，允许用户将数据在不同服务平台之间直接转移。欧盟《一般数据保护条例》也通过了数据可移植性（Data Portability）等方面的条款，在促进数据流动与保护数据安全之间，以及在保持商业活力与监管规范市场之间寻求平衡之道。

但与此同时，由于不同国家在数据主权和网络空间主权问题上的立场和观点各异，有关数据流动的话题仍充满争论。

数据安全是利用数据产生价值的基本保障。

当前，数据安全已经不再局限于数据的保密性、完整性和可用性，一系列新问题需要直面。依靠对数据画地为牢来保障安全已经毫无意义，如何平衡数据流动与数据安全？除了防止数据被非法获取的传统做法之外，如何防止数据的污染、滥用以及误用？在大数据时代，数据生成/获取、存储、处理、利用、流通、管护、销毁的全生命周期中涉及的主体更多，面临的情况更复杂，每一个环节都存在数据失控的风险，在这样一个相互依赖的数据生态中，各个利益相关方应该如何保护自己和伙伴的数据安全呢？
随着各行各业的数字化转型，作为基本的生产资料，数据跨越组织和行业的边界进行流动将变得更为普遍，数据安全问题已无法依靠任何一方的力量来解决。

坊间曾流传过这样一个笑话，说某互联网电影公司高管在行业会议上发言：“通过大数据挖掘，我们发现了不同电影观众的卖品偏好，比如《芳华》的观众比《战狼2》的观众消费了更多的热饮”。其实，《芳华》的观众不仅比《战狼2》的观众更爱喝热饮，也更爱穿厚衣服，因为前者的上映时间在冬天，后者则在夏天。同样，当一个音乐App发现用户有一天把一首情歌循环听了几十遍时，不一定是他那天有什么特别的情愫，可能只是因为他专注于工作而忽略了音箱里在放什么歌；当一个支付软件发现很多人的旅行支出明显下降时，也并不一定是因为他们都成了“御宅族”，而可能只是因为单位要求他们必须用公务卡结算差旅支出。
**大数据并不等同于事实本身。**大数据自身可能不全面、不及时，甚至不准确，大数据分析的结果也很可能被误读、被扭曲甚至被操纵。“让数据自己发声”[32]的理想离现实还有很大距离，对大数据绝不能盲目迷信。
数据也许比你更了解这个世界，但数据未必比你更了解你自己；数据也无法钻进人的大脑，无法解释和操纵人类的自由意志。

采集数据的权力是否应该有边界？如果有，这条边界应该画在哪里？大数据时代的法治建设亟须对这些问题做出回答。

康德曾说：“人就是人，而不是达到任何目的的工具。”

在大数据时代，人会成为自己还是成为工具？大数据的未来会走向“数据主义”、视一切为数据、以数据为中心，还是会以人为中心、维护人的自由和尊严、促进人的全面发展、满足人对美好生活的向往？