据调查，互联网上的数据每年将增长50%，每两年便将翻一番，而目前世界上90%以上的数据是最近几年才产生的。
　　这是一个信号：信息化时代已经迈入了大数据的新纪元。
　　马云说，大家还没搞清PC时代的时候，移动互联网来了；还没搞清移动互联网的时候，大数据时代来了。托马斯·H·达文波特在《大数据：正在到来的数据革命》的序言中提到，所有的商业活动都可以从大数据的视角来审视：制造业里每个机器安装的微处理器；消费行业的交易触点和网络流量；甚至谷歌的无人驾驶汽车......
　　元年诺亚舟认为，在这个时代，企业的竞争很大程度上取决于数据的竞争。先走炮还是先走马？卒现在该不该过河？什么时候将军？——对那些具有远见卓识的管理者来说，是时候准备一份大数据攻略了。
　　大数据，大视角
　　元年诺亚舟认为，大数据体现的是一种大视角下的全景洞察力，让企业成员制定更好的决策、采取更科学的措施并建立更有效的业务流程。
　　当然，在实务中很多企业收集的信息或许达不到大数据的传统定义量，但这些涉及各业务环节、各方面、各维度、各部门的数据仍旧是海量的，足以支撑各个级别的决策者们多维而准确的掌握企业的经营状况，再通过数据之间的关系和趋势规律进行判断乃至预测，进而做出利于企业发展的决策。
　　元年诺亚舟认为，数据本身并没有意义，真正有价值的是隐藏在数据背后的东西，数据挖掘的过程就是企业掘金的过程。大数据时代由TB向PB单位进发的巨量数据，不仅手工处理不了，甚至很多主流软件工具也无法在合理时间内撷取、管理、处理、并将它们整理成为帮助企业经营决策的信息。在这个时代，独特的数据分析和处理系统已经不可或缺。
　　《大数据：正在到来的数据革命》中举例，通用电气将投资15亿美元在旧金山湾区建立一个全球软件和分析中心，拟雇用至少400名数据科学家。通用电气在全球拥有超过1万名工程师从事软件开发和数据分析工作，来挖掘数据背后的价值。
　　而在中国，商务智能即BI的流行，为管理者们提供了一位足智多谋的分析师。这方面电商企业可能深有感触，他们几乎是跑在数据流上的企业，管理层的很多判断决策都源于这些时刻跳动的数字，以至于某些管理者几乎每隔几分钟就会通过各种平台的BI应用——有时是电脑，有时是手机——去看数据分析。
　　商务智能，就是这样的“大数据攻略”。
　　信息化时代的大数据攻略
　　BI如何卓有成效的处理大数据？
　　元年诺亚舟认为，对于BI厂商和服务商而言，这取决于公司如何看待大数据，同时也包括自身产品功能、专业能力是否能够不断地达到并超越用户的需求。
　　BI对数据的分析处理主要包括：建立数据仓库对数据进行预处理，以企业经营管理需求为基础，根据不同分析主题，提取、合并有效数据形成全局视野。然后进行“智能运算”——联机分析处理，通过建模等形式进行多维分析数据;数据挖掘，在数据中寻找“规律”，将其转化为信息和知识。最后，把这些知识系统而直观的展示给管理者。相对应的产品层面，BI软件的功能包括交互式信息仪表板、即席查询、OLAP分析、通知和报警、企业和财务报表编制、记分卡和战略管理、业务流程调用、搜索和协作、移动应用、集成的系统管理等。
　　但是，BI软件的功能只是一个前提。如何让这些功能按照企业需求发挥作用、解决问题，最有效的将信息和知识呈现给管理者，则是服务商在实施BI项目时就应该考虑到，并且教授给企业的重要内容。BI作为一种工具要靠人来创造价值——巧手可以把美丽的布匹裁剪成漂亮的衣服，甚至可以化腐朽为神奇。选择合适的实施商，就等于把布料交对了裁缝，量体裁衣之后，才会有真正合身适用的衣服。
　　在这方面，元年诺亚舟是其中翘楚。作为oracle白金合作伙伴，元年诺亚舟是Oracle BI的重要实施商之一。这家成立于2000年、拥有200多家大型企业服务经验的公司，专业能力和行业能力一直得到Oracle的高度认可与赞誉。在2012年8月的FY12甲骨文亚太Apps合作伙伴峰会上，元年诺亚舟在EPM&BI奖项评选中，凭借多年来的专业服务和丰富的甲骨文产品实施经验和创新能力，战胜CSG、Indigo NZ、Stone Apple、TCS等对手，再度获得甲骨文EPM&BI年度合作伙伴奖。
　　元年诺亚舟的BI实施也是从企业实际出发，通过数据多维度支撑公司决策的。它通过精准定位面向公司各层级的决策者，以及有专业需求的部门和人员，如财务部专业分析人员。它可以根据企业实际情况和需求构建整体的财务指标库和财务运营的整体服务体系，并通过财务数据的“服务云”达到数据共享。在数据分析与挖掘方面，整个项目被分成几大专题分析体系，对每一项主题都有具体的指标和专题化的分析、实时业绩的控制以及利润监控的分析，以帮助管理者时时刻刻的纵深、拓宽视野，进行知识积累，制定正确决策。在信息与知识呈现层面，设置了不同场景的展现，通过条理清晰的财务价值数据系统架构图建设，体现不同的管理主题。元年诺亚舟BI还能使财务人员把时间精力花在透过数据发现问题、推动内部环境改善方面，而不是花大量的时间收集、核对信息上。