沒過多久，車品覺轉身進入淘寶，也開發了兩款產品。一款“黃金策”，能夠綜合700多項變量進行疊加，數秒內可以就特定人群和特定應用場景行為的推導查詢；而另一款產品“無量神針”則提供對淘寶數百萬賣家的實時洞察，可以可視化圖表直接提示可能存在的風險，每當數據“異動”發生，比如遭遇“惡拍”（網絡“打手”買下產品，等產品上門後，以各種理由拒收，以此要挾“保護費”或打擊競爭對手），就會及時向對應的運營者發出預警。
有基於此，阿裏從大數據的童蒙摸索，到有方向的縱深挖掘，逐漸“玩”出了感覺。
玩轉大數據“寶刀”
毫無疑問，遠不止是阿裏，當下，任何企業遇到難題時，都希望能通過大數據找到解決之法。這種“欲與關公借寶刀”的想法是很自然的，但要明白的是，要玩好大數據這把“寶刀”，還須有關公的臂力和技藝，而這些則需要在實踐中不斷磨練，阿裏也不例外。
“你必須麵對大數據的各種困境，尋求解決之道。”車品覺告訴記者。
首先，便是應對企業內部各方的需求。
一來，管理層對大數據有極高的期望，他們認為它應該對公司產生很大的價值；二來，中層管理者對大數據沒有太多感覺，讓他們突然去想數據這個事情，並不了解其中原委，他們隻會說：“我根本不知道有什麼數據可用”；如此，做數據的人會感覺到無力，因為他們所做的數據距離具體的商業場景“萬水千山”。最終，三者都達不到自己期望的境界。
為此，阿裏就必須琢磨著如何跨越後兩者的“鴻溝”，從而達到管理層的期望。
按照車品覺的說法，這就需要專門的中間層人才，要麼讓業務中層去學習大數據的技法，要麼懂得數據分析的工程師去學習業務，以此造就出中間層人才，讓他們可以看到業務，馬上在腦海中形成數據分析的構架，也能在看到數據後，感知到它對業務層麵的意義，如此，他們在業務層、數據工作層之間充當“翻譯”，進而彌合雙方的信息不對稱。現在看來，數據分析師學習業務，是更易行的方法，畢竟數據分析技術要求太高，學起來很吃力。
其次，要保持數據的“幹淨”，數據必須要經過“清洗”。
幾年前，曾有一個用數據的分析師，找到數據收集部門，責怪他們更改了一個數據，卻沒有通知他，結果因為這個數據出錯，造成一係列分析上的差池，而事實上，負責數據收集的人並沒有想到自己對一個數據的處理會產生這樣的“蝴蝶效應”。
不難想象，數據一旦被擺放出來，就可能為人所用，它可以來自於八個係統，二十多個開發組，其中任何一個數據“人為”或“非人為”的汙染（采集錯誤或口徑不同），都可能改變整組數據的“性質”，故而，所有數據必須被“清洗幹淨”。
為此，阿裏集團內的數據大多都經過這般旅程——譬如消費者在淘寶上的一個收藏動作，產生一條數據，先在淘寶網的前端服務器上產生一條日誌，這條日誌隨後被傳送存儲到專用的服務器上，其間經過淘寶團隊的清洗。然後，在數據平台事業部的服務器上，這條數據將再被檢查其日誌格式是否正確，是否有過變動，為何變動……如此清洗後，它被編入數據庫，接著與其他若幹數據一同被分入分主題的數據集市。當分析師們進行數據挖掘時，它再度接受挑選，看其是否受用。
再次，則必須保持數據的快速更新，實時可用。
懂得數據倉庫的人都明白，數據倉庫裏麵的最大的瓶頸，一般都是IBM、Oracle、EMC（IOE）的商用係統構架。隨著數據量的快速增加，阿裏已發現這種傳統數據庫越發力不從心，越來越多業務部門的分析師發現他們早晨9點上班看數據時難以獲得結果，而實際上，數據庫的工程師們每晚忙到11、12點才能下班——越來越多的數據讓傳統商用機器難以按時計算完成。
由此，與大數據的裂變同步，原微軟亞洲研究院常務副院長王堅出任阿裏首席構架師，開始主導阿裏從原來的IOE商用係統向Hadoop的分布式平台遷移，後者較前者不僅成本低廉，而且可擴展性極強，Google等互聯網巨頭都是采用此大規模計算體係。也是在此體係下，阿裏才能實現全集團實時數據的打通、整合管理和共享。