本节书摘来自华章出版社《智能数据时代：企业大数据战略与实战》一书中的第3章，第3.4节，作者 TalkingData ，更多章节内容可以访问云栖社区“华章计算机”公众号查看
3.4 避免最差实践
有很多潜在原因导致大数据分析项目不能达成原定的目标和期望。在某些情况下，学会“应该怎么做”还不如学会“不应该做什么”。这使我们能够形成识别“最糟糕做法”的观念，这样你就可以避免犯下与别人过去相同的错误。与自己犯错相比，从别人的错误中学习要更为可取。需要关注的某些最糟糕的做法如下：
认为“只要建成系统就行，问题会自然解决”。很多组织都会犯的错误是简单地认为只要部署了数据仓库或BI系统就自然能够解决关键业务问题并创造价值。然而，很多IT、BI和分析项目经理都在技术炒作中迷失并忘记了商业价值才是他们的首要任务，数据分析技术只是创造价值的一种工具。与盲目地运营和部署不同，大数据分析的支持者首先应该做的是确定该项技术要达成哪些商业目的，并依此来建立商业案例，只有这时他们才能根据手头的任务来选择和利用正确的分析工具。如不能充分理解自己的业务需求，项目团队最终很可能只是创建了一个对组织而言没有价值的大数据存储库，整个团队也会陷入“受冷遇”的尴尬境地。
认为软件可以解决所有问题。构建分析系统，尤其是涉及大数据的分析系统是一项复杂且耗费资源的工程。因此，许多组织希望其部署的软件能成为无所不能的魔豆，并瞬间解决所有问题。人们都知道这种想法并不现实，但在内心中却又总在期待这种情况发生。软件的确能产生助益，有时甚至能引起翻天覆地的变化。但大数据分析作为一种工具，它的作用大小要取决于正在分析的数据以及工具使用者的分析技能。
不能理解为什么要改变思路。重复采用同一方法并期望不同结果被认为是发疯的表现，在数据分析的世界中的确存在着某种形式的疯狂。人们往往会忘记，仅仅重复曾经有效的方法而不考虑情况是否已经发生改变的话，最终迎接他们的会是失败。在大数据方面，某些组织总是认为其中的“大”只是代表了更大的覆盖面和数据量，这种想法并不全错，但是很多大数据分析举措会涉及非结构化和半结构化信息，在管理和分析模式方面这些数据与企业应用和数据仓库中的结构化数据有着根本性的不同。由于以上原因，我们在面对大数据，至少是某一部分大数据时可能需要采用新的方法和工具来完成数据的获取、清洗、存储、汇总和访问。
忘记过去所有经验。有时企业又会走向另一个极端，即认为大数据的一切都是全新的，他们必须从头做起。对大数据分析项目而言，这种误解对项目成功的破坏力甚至要高于不能改变思路的错误。仅仅是待分析的数据在结构上有区别，并不意味着我们需要改写数据管理的基本规律。
不具备必要的业务和专业分析技能。技术万能论会带来的错误推论是认为自己只需要安排IT人员实施大数据分析软件即可。首先，正如前文对创造业务价值的讨论，除非能在系统设计和实际运行两个阶段整合并覆盖广泛的业务和行业知识，否则相应的大数据分析程序并不能真正实现目的。其次，很多组织都低估了所需分析技能的程度。如果大数据分析仅仅涉及报告构建和仪表板，那么相关企业只需利用其现有的BI专业知识即可。然而，大数据分析往往会用到数据挖掘和预测分析等更高级的过程，这就需要相关专业分析人员具备统计、精算和其他高级技能，对于首次进入高级分析领域的组织而言，上述情况意味着它们需要雇用新的职员。
以进行科学实验的态度实施项目。很多时候，公司认为只要能收集数据并对其加以分析就代表自己的大数据分析程序已经获得了成功。实际上，数据的收集和分析仅仅只是开始。要想通过分析产生业务价值就必须将分析数据纳入业务流程，并使业务经理和用户能够根据调查结果采取行动，并由此提高组织的绩效和业绩。要真正达成目标，相应分析程序还需要包含沟通功能，这样相关人士在依据分析结果取得行动成功后，能提供反馈，此后就可以基于业务成绩对分析模型进行深度改良。
承诺完成不切实际的目标。许多大数据分析项目都会陷入的一种重大误区是：支持者过度地夸大了系统的部署速度及其可能带来的业务收益。承诺过度而实现不足会影响相关企业对技术的信心，这往往会导致这些组织在很长时间内都不再愿意利用所涉及的技术，即使许多其他企业已经利用同等技术取得成功也不例外。除此以外，一旦已经认定自己可以轻易并快速地赢得收获，企业高管往往会低估了所需要的努力和专注度。在投入的资源不满足需求时，相关企业会发现收获并非如预期那般简单和快速，并由此认定项目已经失败。
