业务层：建模分析数据

使用的数据分析模型 ， 例如基本统计、机器学习、例如数据挖掘的分类、聚类、关联、预测等算法 ， 传统数据和大数据的做法差别不大 ， 例如银行、通信运营商、零售商早已成熟运用消费者的属性和行为数据来识别风险和付费可能性 。 但是由于数据量的极大扩增 ， 算法也获得极大优化提升的空间 。

应用层：解读数据

数据指导营销最重要的是解读 。

传统一般是定义营销问题之后 ， 采集对应的数据 ， 然后根据确定的建模或分析框架 ， 数据进行分析 ， 验证假设 ， 进行解读 。 解读的空间是有限的 。

而大数据提供了一种可能性 ， 既可以根据营销问题 ， 封闭性地去挖掘对应数据进行验证 ， 也可以开放性地探索 ， 得出一些可能与常识或经验判断完全相异的结论出来 。 可解读的点变得非常丰富 。