隨著智慧型物件、人工智慧運用場景的普及，根據業務策略而制定的大數據策略變得尤為重要，明確了業務的長、中、短期目標，以及實現這些目標將會面臨的障礙之後，還得理解數據能力對這些目標有何貢獻。
大數據時代衍生的變化，體現在資訊的產生及獲取變得更為快捷，溝通（包括發布、傳播、互動）從單點到互聯，資訊變得更網狀、無序和碎片化。然而，獲取速度又快、數量又多的資訊，很容易被錯誤地解讀為唾手可得，而且成本越來越廉價。如果你目前有這種想法，那你可能已經在不知不覺間被捲進了「數據越多越有用」的誤區。
在資訊爆炸時代，擁有大量資訊可能是災難而不一定是好事，也不等於你有能力用好它。暢銷書《大數據》（Big Data）的作者邁爾荀伯格（Viktor Mayer-Schönberger）在最近一次演講上也強調了數據相關性的重要性。簡單地說就是，收集、儲存和管理數據的綜合成本不菲，是每個企業必須面對的問題。
根據業務策略而制定的大數據策略變得尤為重要，我們首先需要重新審視或辨識有用資訊，並判斷哪些數據可以放棄。一切數據收集活動的出發點都來自業務需要，或者可以應對未來的業務發展。例如，阿里巴巴的電商數據策略就離不開「人、貨、場」的組合。接下來，就是以短期問題作為出發點，並以中長期的發展趨勢為準來決定資源的優先分配順序。
從業務過程中收集資訊、分類資訊、整合資訊，必須成為日常思維的一部分，這是成為數據驅動型公司的必要條件。例如，在產品設計環節中，除了加入產品需求文件（PRD）之外，還要加入數據需求文件（DRD），以重點描述數據相關的需求及變更。
以此類推，在業務的各個環節中，都要考慮數據的收集、匯總及使用，並評估所收集的數據與主體業務之間的相關性。但目前大部分企業依舊秉持「取之所用，無用則棄」的傳統資訊理念，而不會同時考慮長遠數據策略所需要的積累。僅僅服務於當前，為短期目的所收集的數據肯定會偏於狹隘，大數據更需要為未來業務方向做好儲備，換句話說，數據策略的目的就猶如「養兵千日，用兵一時」。
明確了業務的長、中、短期目標，以及實現這些目標將會面臨的障礙之後，還得理解數據能力對這些目標有何貢獻。作為策略部署，我們還需要系統思考（Systems Thinking），去發現周邊生態的數據與主體業務之間的關聯。
舉個例子，要真正了解淘寶的商品交易細節，除了買家的需求之外，物流、支付、競爭對手、賣方營運等數據，都是整體必不可少的一部分。有了大方向之後，從數據策略到數據落地策略，大致可分為四個步驟：
