伟大的算法解决方案需要核心人才。这些人才的竞争是十分激烈的，特别是数据科学领域。数据科学家通常具有计算机科学、统计学或数学方面的博士学位，其薪资超过15万美元。市场上优秀的工程师和数据科学家的供应有限，大多数实体和在线零售商并不会成为顶尖工程师的目的地。一个由20位数据科学家和工程师组成的团队会让零售商每年花费400万美元。而这只是招聘人才的费用，并没有包括用来支持解决方案开发的任何基础设施的投资。相比之下，典型的SaaS解决方案每年的价格低于100万美元（这可能是绝对的上限，传统的费用低于50万美元）。通过与供应商合作，零售商可以节省大量的成本。
对于任何技术初创企业来说，快速推出市场是成功的关键。这包括内部技术的发展。从项目启动到成功创建一个大数据解决方案可能需要2-3年的时间。虽然需要尽快获得解决方案，但技术的生命周期并不能跳过。两年的等待时间可能会造成一个问题，即公司新开发的解决方案在启动时已经过时，或者由于试图领先于快速发展的技术环境，而陷入无休止的重新设计周期中。同时，随着基于云计算的软件即服务（Software as a Service，SaaS）的广泛应用，第三方解决方案的集成和部署速度非常快，有些可以在短短20天内集成和部署，这意味着尖端技术不断改进，快速满足即时需求。更重要的是，第三方供应商还提供了内部构建系统不具备的灵活性。删除和替换第三方SaaS解决方案变的非常简单，而不用担心昂贵的成本和内部斗争。纵观历史，竞争在创新中起着至关重要的作用。SaaS模型使其既易于部署又易于更换解决方案。因此，供应商正在不断创新，并面临改进的压力。通过与第三方SaaS供应商合作，零售商能够在短时间内评估和部署许多尖端解决方案，同时投资更少。许多零售商都在使用这些解决方案，供应商经过不断的审查，得到客户的创新和改进需求。试图在内部构建这些解决方案不仅成本高昂而且进度缓慢，而且最重要的是限制创新，从而使企业的业务从长远来看不那么灵活。但是这并不意味着零售商应该将所有技术完全外包给供应商。当人们在大数据的背景下谈论技术时，它们指的是存储和处理数据的基础设施，以及解释数据和做出预测的算法。算法是基础设施之上的有效应用，利用数据来进行需求预测，流失预测，动态定价或产品个性化和定位。它们建立在数据基础之上，与操作系统之上的应用程序相同。因此，零售商必须投入内部资源和大量时间来建立安全、高效和可扩展的基础架构。具有外部应用程序接口（Application Programming Interface，API）和安全性（敏感数据加密）的正确基础设施将使企业能够利用供应商的尖端技术不断创新。这将使企业将注意力和专业知识集中在核心业务功能上，而不是试图成为无关领域的专家。对于任何企业来说，资金、时间和研发能力都是有限的。成功的企业知道如何将这些资源放在正确的地方来获得成功。
大数据服务的核心就是为企业客户提供海量数据的分析和大数据价值挖掘服务。服务模式可分为以下二类。第一类服务是通过SaaS或平台即服务（Platform as a Service，PaaS）云服务形式提供在线大数据分析服务。例如，IBM基于云服务的大数据分析工具沃森分析（Watson Analytics）。Watson Analytics可以提供便捷的数据访问、数据清洗、数据仓库等系列自助式分析功能，帮助企业用户获取和准备数据，并基于此进行分析、实现结果可视化，为企业采取有效行动和开展进一步交互提供基础和便利。谷歌、亚马逊、微软等都推出了大数据服务。在国内，阿里云的开放数据处理服务、百度的大数据引擎、腾讯的数据云等都属于这类服务。第二类服务是互联网企业利用自己拥有的海量用户数据资源，以SaaS为主要形式提供的数据在线分析服务。例如，推特（Twitter）基于实时搜索数据的产品满意度分析，谷歌、脸书（Facebook）的自助式广告下单服务系统，百度的大数据营销服务“司南”等，都属此类。
图4-4-4 lass、Paas和Saas的区别
