因为大数据最重要的价值在于应用，但要让大数据应用到各行各业，需要深入到应用对象的内部，才能对客户的需求了如指掌，才能做出真正符合市场需求的产品。下面就来具体介绍一下。
需要大数据的原因
大数据的价值体现在以下几个方面：
1)对大量消费者提供产品或服务的企业可以利用大数据进行精准营销;
2) 做小而美模式的中小微企业可以利用大数据做服务转型;
3) 面临互联网压力之下必须转型的传统企业需要与时俱进充分利用大数据的价值。
大数据包括结构化、半结构化和非结构化数据，非结构化数据越来越成为数据的主要部分。据IDC的调查报告显示：企业中80%的数据都是非结构化数据，这些数据每年都按指数增长60%。
大数据就是互联网发展到现今阶段的一种表象或特征而已，没有必要神话它或对它保持敬畏之心，在以云计算为代表的技术创新大幕的衬托下，这些原本看起来很难收集和使用的数据开始容易被利用起来了，通过各行各业的不断创新，大数据会逐步为人类创造更多的价值。
其次，想要系统的认知大数据，必须要全面而细致的分解它，着手从三个层面来展开：
第一层面是理论，理论是认知的必经途径，也是被广泛认同和传播的基线。在这里从大数据的特征定义理解行业对大数据的整体描绘和定性;从对大数据价值的探讨来深入解析大数据的珍贵所在;洞悉大数据的发展趋势;从大数据隐私这个特别而重要的视角审视人和数据之间的长久博弈。
第二层面是技术，技术是大数据价值体现的手段和前进的基石。在这里分别从云计算、分布式处理技术、存储技术和感知技术的发展来说明大数据从采集、处理、存储到形成结果的整个过程。
第三层面是实践，实践是大数据的最终价值体现。在这里分别从互联网的大数据，政府的大数据，企业的大数据和个人的大数据四个方面来描绘大数据已经展现的美好景象及即将实现的蓝图。
大数据为什么重要
1、如何利用数据是关键
有人把数据比喻为蕴藏能量的煤矿。 煤炭按照性质有焦煤、无烟煤、肥煤、贫煤等分类，各种煤矿的挖掘成本都不一样。 与此类似，大数据并不在于“大”，而在于“有用”。 价值含量、挖掘成本比数量更为重要。 对于很多行业而言，如何利用这些大规模数据成为赢得竞争的关键。
2、大数据深入行业落地
大数据最重要的价值在于应用，但要让大数据应用到各行各业，需要深入到应用对象的内部，才能对客户的需求了如指掌，才能做出真正符合市场需求的产品。如何高效准确的打造行业大数据应用平台，这就需要分行业来规划。找到大数据在某个行业的应用点，就如同找到了一把钥匙，才有可能将大数据的价值很大限度地释放出来。接下来就是商业模式的挖掘，会给平台更大的能量加持。最后才是数据与技术，产品的研发与运营。
3、技术驱动数据创新
大数据时代，同样也是技术不断革新的时代，大数据价值的实现离不开各种核心的技术，从数据采集到数据分析，从算法模型到数据呈现，都离不开大数据技术的支持。如果要判断一家大数据公司的实力，那么最关键的就是去考察它的大数据技术能力，是否拥有很好的技术和人才。而这也是大数据公司最核心的优势。
大数据技术发展趋势
2014年以后，整体大数据的技术栈已经趋于稳定，由于云计算、人工智能等技术发展，还有芯片、内存端的变化，大数据技术也在发生相应的变化。总结来看主要有几点发展趋势：
一是流式架构的更替，最早大数据生态没有办法统一批处理和流计算，只能采用Lambda架构，批的任务用批计算引擎，流式任务采用流计算引擎，比如批处理采用MapReduce，流计算采用Storm。后来Spark试图从批的角度统一处理和批次处理，Spark Streaming采用了micro-bach的思路来处理流数据。近年来纯流架构的Flink异军突起，由于其架构设计合理，生态健康，近年来发展特别快。而Spark近期也抛弃了自身微批处理的架构，转向了纯流架构Structure Streaming，流计算的未来霸主还未见分晓。
二是大数据技术的云化，一方面是公有云业务的成熟，众多大数据技术都被搬到了云上，其运维方式和运行环境都发生了较大变化，带来计算和存储资源更加的弹性变化，另一方面，私有部署的大数据技术也逐渐采用容器、虚拟化等技术，期望更加精细化地利用计算资源。
三是异构计算的需求，近年来在通用CPU之外，GPU、FPGA、ASIC等芯片发展迅猛，不同芯片擅长不同的计算任务，例如GPU擅长图像数据的处理，大数据技术开始尝试根据不同任务来调用不同的芯片，提升数据处理的效率。
四是兼容智能类的应用，随着深度学习的崛起，AI类的应用越来越广泛，大数据的技术栈在努力兼容AI的能力，通过一站式的能力来做数据分析和AI应用，这样开发者就能在一个工具站中编写SQL任务，调用机器学习和深度学习的算法来训练模型，完成各类数据分析的任务。
