两个角色定义大数据
关于大数据的早期讨论集中于数据管理问题方面。传统的流动数据到企业级数据仓库(EDW)的方法很难跟上需求。一些分析专家认为大数据将最终导致 EDW的消亡，但这次峰会的与会者倾向于采用更保守的前景。技术可以更好地解决一些大数据的挑战：解析关系型数据库，像Hadoop这样的非关系型数据库，流处理系统，将被整合在一起为企业级数据仓库工作，根据怀特介绍。“人们想在更长的时间内存储更多的数据，但他们没有能力做到这一点。”他说。“大数据的最大的用例之一是数据中心。”
在这种情况下，企业要获得约10年的详细数据，将企业级数据仓库与用于存储最新的数据进行拆分，而第二个平台，例如Hadoop，可以用相当较低的成本存储较旧的数据，根据怀特介绍。
尽管关于大数据的讨论，有时无法超越数据管理的范畴，怀特说。大数据不是完全由数据是如何管理来定义的;其还涉及到企业对大数据的见解。”这是我们应该解决的分析问题，而不仅仅只是管理问题。”他说。”是你如何处理大数据的问题。”
分析是至关重要的，弗莱曼同意这一观点。大数据也同样影响着企业如何进行分析工作。例如，当一家企业拥有大量信息或数据流时，移动数据从一个地方到另一个地方便不是一个有效的模型，她说。我们的装配信息的方式实际上在当我们研究数据时就已经改变了很多。她补充说。
业务分析师(那些知道需要考察大数据哪些问题以及如何看待这些问题的人)在处理数据时，将需要发挥更加突出的作用。这是因为大数据的问题往往是业务问题，而不是结构或数据的管理风格的问题，弗莱曼说。企业也需要相关的算法应用程序，以帮助筛选数据，区分哪些数据是相关的，哪些是无用的。这些应用程序将变得比可视化工具更为重要，被称为大数据分析的关键，成为了怀特和弗莱曼在此次峰会上演示的重点。利用科技能够处理更大，更快，更多不同类型的数据，在密集和复杂的环境中，有可能变得很难想像，她说。
“当您要做出相关的决定时，你必须要运用算法分析表面有关的数据，最重要的有趣的信息。”弗莱曼说。当我们在分析传感器数据或社会数据资料时，我觉得有很多的信息相当无趣，甚至没有价值。但是重要的是要关注其调查结果的模式。
数据管理+分析
耦合，数据管理和分析可以帮助企业走向新的方向，根据弗莱曼和怀特介绍。因为他们结合了传统的数据与新的数据源，提出了新问题，他们将分析教给新用户，帮助他们发现新的机遇。这就是我们要给予在硅谷的很多初创公司的建议，如果他们不具备分析大数据的能力，就不会有生意。”弗莱曼以一家加州山景城的一家SST公司为例。
这家小企业成立于1995年，专注于枪声探测技术，其技术已部署到美国警察部门和政府机构。从本质上讲，SST旗下产品是一种数据服务，取决于其实时分析数据的能力，进而识别枪声和发出适当的警报，弗莱曼解释。
但是滥用或过度使用大数据这一术语，已成为本次行业峰会与会者们所达成的一个关键性的共识。大数据的关键并不在于它是新的东西;相反，这只是企业业务的延伸。大数据是一种进化，专家说。
