大數據和BI有很多對立。我們在項目實施中一直遵循這一原則。例如：

1.全量思維。不用抽樣建模，再回到DW實施。大數據利用全量數據直接跑，先在大寬表中找到以前靠業務經營選擇的字段，即依靠機器學習建規則，再在全局數據中實施。大數據在這個層面首先是基礎設施，能夠完成以前不能完成的任務。例如某保險公司，SAS只能跑幾十萬用戶的一種分類模型，現在可以把個險3600萬用戶跑個全量，得到上千個分類，發現業務經營給不了事實。這是大數據的IT屬性，Hadoop分布式計算帶來的顛覆創新。

2. 個性化。 BI面向決策，面向人的干預。輸出形式更多的dashboard.report。因此對事實描述更多是基于群體共性，而不是個體刻畫。例如回到保險公司的例子，當我們用大數據計算出每一個個體客戶的流失風險概率，做個性化客戶視圖。而BI系統需要匯總成宏觀統計數據。前者幫助我們深刻的了解每一個用戶，適合于精準推薦類營銷類問題，回答How much how strong的程度類模糊問題；后者幫助決策者掌握宏觀統計趨勢，適合經營運營指標支撐類問題，準確回答yes or no的統計意義概率問題。

大數據對個體刻畫還是BI的群體描述，引發了下面第三種差異。

3. Insight or Automation群體共性的描述獲得的Yes or no的問題對于復雜經濟現象越來越難回答，維度指標越來越多。例如上面客戶流失風險的例子，被BI系統做成統計指標后匯報高層做決策，高層形成客戶挽留計劃一類的執行策略往往風險很大，包括質疑數據準確性，執行效率反饋周期等等，其結果就是面對這樣的宏觀不決策不作為。因此，某種意義上，BI形成的Insight，因為沒有形成閉環干預，而沒有發揮作用。

大數據強調Automation. ;淘寶更強調為每一筆網購做自動推薦的生產系統。上面的保險客戶流失例子，大數據刻畫客戶后提供給一線銷售，數據服務下沉而不是匯總上報，每一個保險員做微決策微行動，風險小反饋及時。大數據更強調提供自動化工具，而不是統計報告。

4. 反饋和實驗方法 因為引入了Automation，和記錄行為數據，效果更直接及時。例如互聯網最多用的AB testing. Hulu每日上線的測試有200多個，可見測試方法在數據分析中的重要程度。