大数据分析项目中的“最差”实践

日期: 2012-03-26 作者:Rick Sherman翻译:冯昀晖 来源:TechTarget中国 英文

大数据分析现在很火。只要你浏览任何IT出版物或者网站,你都能看到商务智能供应商和他们的系统集成合作伙伴推销帮助企业实施和管理大数据分析系统的产品和服务。这些广告和大数据分析的新闻以及供应商匆匆提供的案例研究可能会使你误认为大数据是很容易的事,误认为要成功部署只需要一种特别的技术。   如果它是那么简单就好了。

当BI供应商乐呵呵地告诉你他们的客户已经成功部署大数据分析项目时,他们不会告诉你还有那么多失败的案例。大数据分析项目令人失望是有一些潜在原因的。你可以找到大量关于大数据分析最佳实践的建议。但下面是一些大数据分析项目的最差实践,你需要了解如何避免它们。

  “盲目跟风。”这种观点重复犯了经典……

我们一直都在努力坚持原创.......请不要一声不吭,就悄悄拿走。

我原创,你原创,我们的内容世界才会更加精彩!

【所有原创内容版权均属TechTarget,欢迎大家转发分享。但未经授权,严禁任何媒体(平面媒体、网络媒体、自媒体等)以及微信公众号复制、转载、摘编或以其他方式进行使用。】

微信公众号

TechTarget微信公众号二维码

TechTarget

官方微博

TechTarget中国官方微博二维码

TechTarget中国

电子邮件地址不会被公开。 必填项已用*标注

敬请读者发表评论,本站保留删除与本文无关和不雅评论的权力。

大数据分析现在很火。只要你浏览任何IT出版物或者网站,你都能看到商务智能供应商和他们的系统集成合作伙伴推销帮助企业实施和管理大数据分析系统的产品和服务。这些广告和大数据分析的新闻以及供应商匆匆提供的案例研究可能会使你误认为大数据是很容易的事,误认为要成功部署只需要一种特别的技术。

  如果它是那么简单就好了。当BI供应商乐呵呵地告诉你他们的客户已经成功部署大数据分析项目时,他们不会告诉你还有那么多失败的案例。大数据分析项目令人失望是有一些潜在原因的。你可以找到大量关于大数据分析最佳实践的建议。但下面是一些大数据分析项目的最差实践,你需要了解如何避免它们。

  “盲目跟风。”这种观点重复犯了经典的错误,组织开发他们的第一套数据仓库或者BI系统时经常会犯这样的错误。太多时候,IT和BI以及分析项目管理者被技术炒作所迷惑,忘记了他们首要任务的商业价值;数据分析技术仅仅是一个用来产生商业价值的工具。大数据分析的支持者们不应该盲目地采用产品,他们首先需要判断该技术所服务的业务目标,以便建立业务案例,——然后为手头工作选择正确的分析工具。没有对业务需求的深刻理解,会存在很大风险,项目团队最终可能将创建出一个“大数据磁盘场”,而不是真正对组织有价值的东西,得到的是一个不想要的“数据狗窝”。

  “误认为软件可以回答所有问题。”构建一个分析系统,尤其是涉及大数据的分析系统是非常复杂的,也是资源密集的。因此,许多组织希望他们部署的软件将成为银弹,神奇地实现一切。当然,人们应该明白希望总是比现实更美好。软件确实会带来帮助,有时帮助还会很大。但是大数据分析的效果取决于被分析的数据和使用工具的分析技能。

  “思路太过僵硬。”通常,人们总是不断尝试他们过去的做法,即便当他们面对不同的场景时也会这样。在大数据情况下,一些组织会想当然地认为所谓“大”只是意味着更多的交易和更大的数据量。这种观点可能是正确的,但是许多大数据分析策略会涉及非结构化和半结构化信息,需要以完全不同于企业应用程序和数据仓库中结构化数据的方式管理和分析。因此,我们需要一套新的方法和工具来进行大数据捕获、清洗、存储、集成和访问。

  “忘记过去所有的教训。”有时企业会走向另一个极端,认为大数据中的一切都是完全不同的,他们必须从头开始。对于大数据分析项目的成功,这种错误可能甚至比认为没有不同更要命。只是因为你希望分析的数据结构不同,并不意味着我们已有的数据管理基本原则需要重写。

  “没有必备的业务和分析专业知识。”误认为该技术可以实现一切的必然结果就是,相信所有你需要的只是让IT员工实施大数据分析软件。首先,与上述产生商业价值主题相符合,有效的大数据分析项目必须在系统设计阶段以及持续运营过程中结合广泛的业务和行业知识。其次,许多组织低估了他们需要分析技能的程度。如果大数据分析仅仅是构建报表和仪表盘,企业可能可以利用他们现有的BI专业技能。然而,大数据分析通常涉及更高级的过程,比如数据挖掘和预测分析。这需要具备统计、决算以及其它高级技能的分析专业人士,这可能意味着组织需要新聘请人员来迈出向高级分析进军的第一步。

  “把项目当作科学实验。”太多时候,公司衡量大数据分析项目的成功仅仅是通过数据收集和分析来进行。而事实上,收集和分析数据只是开始。如果结合了业务流程,并促使业务经理们和用户们为改善组织绩效和业绩而付诸行动之后,分析才能产生商业价值。要获得真正的效率,就需要把分析项目纳入反馈闭环,以便交流分析结果,然后基于经营业绩提炼分析模型。

  “承诺太多,想做的太多。”许多大数据分析项目陷入了一个大误区:支持者过度宣扬他们部署的系统会有多么快,业务会获得多么重大的益处。过度的承诺和交付的不足必然导致业务与技术的分离,这样组织一般会很长时间都推迟特定技术的选用——即便其它许多公司已经使用该技术获得了成功。此外,当你设定了很轻松很快就能获益的预期,业务主管就有一种认识倾向,容易低估了需要参与和承担义务的程度。当足够资源不能兑现的话,预期的收益通常不会来的容易或者迅速,那么项目基本就贴上了失败的标签。

  大数据分析可以给组织带来很大的商业价值,但是如果你不小心,不从其它公司犯的错误中吸取教训的话,它也可以带来灾难。谨记上述的几点问题,切莫成为大数据分析项目的反面典型。

      扩展阅读:基于常规法则的大数据分析最佳实践

作者

Rick Sherman
Rick Sherman

咨询公司Athena IT Solutions的创始人,具有二十多年数据仓库和决策支持系统经验。他曾于1987年建立自己的第一个数据仓库和数据中心。

相关推荐