【IT168 评论】对一家保险公司来说，一个年收入5万元的客户，和一个年收入10万元的客户相比，谁的价值更大?也许你会想当然地认为是后者。但真实的情况却未必，具体到某个客户身上，不确定性会更大。

　　在1月24日的中国Hadoop技术峰会上，天云大数据CEO雷涛给大家介绍了这样一个的案例。通过全量数据分析，在某保险公司的业务构成中，一些年收入在5万元以下的客户，所购的年金产品反而高于一些年收入10万元以上的人。而且，更重要的是，每个销售人员通过手机端应用可以更确切地、实时地知道自己客户的个性需求，从而做出更合理的预期与决策。在这样一个实际案例中，面对多元化的客户，以传统业务KPI为导向的被动式市场经营决策推动力变得有限，而以客户为中心、数据驱动的市场消费模式，开始挖掘出个性化数据的真正价值。

　　雷涛将这一变化概括为“数据仓库消费化”。所谓数据仓库(英文名称为Data Warehouse)，根据百度百科的定义，是指为企业所有级别的决策制定过程提供支持的所有类型数据的战略集合。它是单个数据存储，出于分析性报告和决策支持的目的而创建，为企业提供需要业务智能来指导业务流程改进和监视时间、成本、质量和控制。

　　随着大数据、移动互联网时代的到来，传统的数据仓库似乎开始变得“不那么合时宜了”。雷涛在会后接受IT168记者采访时谈到，虽然从潜在需求来看，需要数据仓库的企业很多，但实际上成功应用的却寥寥可数。究其原因，关键的问题是成本和门槛太高。传统数据仓库动辄上亿元的投资，把大多数企业都拒之门外。其主要根源在于实施成本过高，由于传统数据仓库是基于业务规则来驱动的模式，只有那些拥有大量丰富业务经验的企业才能把这些规则讲清楚，在实施中还要碰到非常复杂的、前后端、个性化的交互，使得数据仓库应用起来本身就有很高的门槛。

　　另外，随多越来越多的新应用出现，传统数据仓库那种基于KPI的模式已经难以应对，因为这些新的业务都是探索型的。比如，大家谈到大数据时，经常举的一个例子，在超市中把尿布跟啤酒放在一起能促进尿布销售，但这其实只是一种BI应用，而不是大数据的应用。客户是多样化的，这个例子只说明了一种场景或特例，并不能代表所有的场景，把尿布和啤酒放到隔很远的货架，也许能促进更多商品的销售。

　　雷涛表示，传统的数据仓库和BI是做给供应商看的，只能基于少量的规则、策略、KPI来给出分析结果，而今天，我们需要做给终端用户看，做给跟终端用户直接接触的销售人员看，需要更加敏捷，更具个性化的决策，以为每个客户提供个性化的更有针对性的服务。正是服务对象的变化，推动了数据仓库这种应用从后台走向前台，从经理人员的桌面走到销售员的手机，数据仓库消费化的趋势也由此而生。而Hadoop等大数据处理和分析方法，使得这种趋势正在成为现实。

　　除了可以实现多维度、个性化的分析之外，数据仓库消费化同时也实现了整个商业逻辑的闭环。过去，传统的数据仓库很难做过这一点，从数据分析到产生决策到市场实施再到反馈修正，中间的过程太长，环节太多，响应太慢。而现在，通过大数据平台强大的数据处理能力和效率，将历史数据进行多维度全量提取，再通过机器学习建立客户个性化识别模型，销售人员可以直接第一时间感知到每个客户的个性动态需求，大大提高了一线服务效率和精确度。

　　新的时代，需要新的思维。在过去几年，我们看到互联网改变了很多行业：零售、金融、出租车、餐厅......其背后正是互联网思维与传统行业业务相结合产生的“化学反应”。对于数据仓库、BI这样一些专业性的企业级产品，又何尝不能呢?