行文至此，讀者可能已經體會到“數據爆炸”這個名詞的嚴重性。看中這個市場潛力的業者，從傳統系統整合商、標榜數據分析的軟體開發商、提供高速資料處理的硬體系統商，到物聯網應用方案提供者，大家無不強調自家開發的產品或方案能夠為企業快速處理分析急速增加的數據。在這些玲瑯滿目的眾多的選擇中，企業應該先問自己，數據搜集的目的是什么;更精確地說，企業希望解決的問題是什么，哪一種或幾種數據可以有效地回答待解決問題。不論是智慧制造、智慧零售或是智慧建筑的方案，這個問題都是最優先要回答的。循著這個邏輯，下一步應該盤點企業內是否已經擁有相關數據。若答案是肯定的，緊接著要思考用傳統的統計分析、商業分析 （business intelligence） 或更進一步的機器學習 （machine learning）來解答。如果數據的復雜度需要用到機器學習，那么企業內有熟悉資料科學的人員可以處理嗎？當這些問題都清楚審視過后，哪些軟、硬體工具適合企業使用的答案就自然浮現了。

若是企業目前擁有的數據不能回答待解決問題，則在進行上述思考過程前，必須更優先評估如何取得必要的數據。傳統上，企業在買電視廣告前，通常會買一份收視率調查報告，再針對自家產品的特性與預算規模，選擇投放廣告的頻道及時段。然而當前個性化消費的時代來臨，企業已經不能滿足于電視廣告這種單向且無差別式的溝通方式。互聯網經濟下，顧客在網站內瀏覽行為是最直接的行為數據。只是時代往新零售模式邁進，線上結合線下 （online to offline， O2O） 乃至全渠道（omni channel） 已然成為勢不可擋的趨勢。

因此顧客在線下的行為，甚至是在不同渠道或場景的一舉一動能否更大幅度地被記錄，已是企業不得不面對的難題，這就是筆者一貫提倡用物聯網應用方案協助企業的背后緣由。然而，值得說明的一點，沒有清楚針對企業需求組合的物聯網應用方案絕對不是一個好方案，而且沒有對接數據分析功能（不論是內建或有意識地輸送數據到其他數據分析軟件）的方案，只是一個騙取客戶荷包內預算的花架子。企業在選擇訴求智慧零售/智慧商城方案時，首先應該檢視相關方案的系統架構，才不會浪費時間與預算。

零售餐飲是個直接面對顧客的行業，企業每天要處理的都是事關”人”的滿意度的議題。在互聯網快速迭代演進的中國，小從POS的互聯網化開始，許多從業者將原本笨重的收銀機轉為手持裝置，概念上與手機相似，連里面裝載的應用程式也相仿，因此可以大量使用既有的互聯網架構與資源，讓收銀機的成本大幅下降。最重要的是透過這個聯網裝置可以直接與網絡社群接觸，實際實現了O2O的精神，將顧客從過去的過路客，拓展到慣于使用網絡的新世代，還將他們帶到店內消費。借由目前已經蔚然茁壯的云產業的支持，一個便宜的手持式裝置在某些方面的表現甚至還強于昂貴的電子式收銀機。在這個觀念上更往前一步的則是專注于開發云端的POS系統，他們不挑選特定輕量型裝置（不強調客制化的手持式POS，即便是一臺iPad也行），這種理念開發出來的POS方案，甚至跳脫服務單店的手持式POS，進而支持規模數量龐大的連鎖體系，此時搭配互聯網上各種點餐快送app，更加將線上向線下導流發揮到極致，這樣的方案如果搭配ERP及CRM，再加上各種物聯網應用方案，可以為大規模連鎖總部提供更快速即時的多種顧客行為及企業內經營效率資料。

鎖定數據源并完成數據搜集后，企業緊接著應該向方法論的下一步邁進，有意識地依照順序交叉使用各種管道收集得來的顧客數據。

舉例來說，成交數據代表著前一階段各部門集體努力的經營成果，這里通常是分析的起點，加上各場合獲得的顧客行為數據，是大多數顧客推薦系統處理的范疇。然而個別顧客推薦系統能夠處理的數據欄位、采用的演算法、處理數據量與處理速度等等都是企業應該評估的重點。然而，從成交記錄出發另一個處理的角度可能是企業進貨（或備料）預測，這部分的分析除了更加需要產業知識 （domain knowledge） 外，對于選擇適合的一種或數種演算法能力的要求更高，因此對于數據科學家的要求更高。而且，外部的非結構化資料也可以在適當的時點投入被交叉分析的行列中。這一切都要求數據科學家與企業各相關部門人員在導入初期就討論出適合被解決問題的方法論，才能有效率的回應企業在新零售時代的挑戰。

借用Frost & Sullivan的Smart retail journey圖敘述企業對于的智慧零售演進歷程，過去我們處在一個數據片段破碎的零售時代，隨著數字化潮流的來臨，企業一直朝著運用數據改善營運效率的方向前進，最終我們將被數據包圍，而且在無接縫的環境下善用各種不同性質的數據，完整描繪顧客，清楚結合市場走向與資源運用后，精確的規劃企業策略。但有句老話說：『盡信書不如無書』，企業在沒有確認自身的需求，沒有理清回應這個需求必須解決的問題前，不宜貿然投入太多資源擴編相關團隊或導入所謂的智慧零售方案。否則，搜集數據的裝置要錢、儲存與運算快速增生的數據需要的軟硬件要錢、分析資料的人員要付薪資，用了不可靠的分析造成企業經營方向偏移或浪費時間的代價更高，經營者與決策主管不可不審慎為之。