大数据不是万能的不适合做这10件事所付出的努力远超预期1:解决你的业务问题大数据不会解决业务问题。人们能做的是坐下来讨论放弃大数据的决定,并在开始使用大数据之前就商业智能的使用达成共识。2:帮你管理数据IBM声称每天产生250万字节的数据,其中大部分是大数据。毫不奇怪,世界各地的公司需要管理的数据量呈指数级增长。由于缺乏清晰有效的数据存储和使用策略,数据会不断积累,每个企业都陷在数据管理的工作中。3:减轻您的安全顾虑确保安全访问大数据对于许多公司来说仍然是一个开放的话题。这是因为大数据安全实践的定义远不如系统数据和记录保护。我们正处于IT与最终用户合作以确定谁可以访问什么级别的大数据并可以相应地对其进行分析的地步。4:缺乏关键IT技能大数据处理数据库管理、服务器管理、软件开发、业务分析等技能。许多IT部门缺乏关键的IT技能将继续成为企业的负担。5:降低遗留系统的价值遗留系统记录比任何大数据都更有价值,如果有的话。通常,正是这些遗留系统可以为大数据分析提供重要线索,以回答重要的业务问题。6:简化数据中心大数据分析需要计算机集群的并行处理和不同风格的系统管理,如传统的IT事务处理和数据仓库系统,这意味着能源、冷却、软件和硬件消耗,以及运行这些系统所需的技能也不同。相似点七:提高数据质量传统事务处理系统的优点在于具有固定长度的数据字段和完善的数据编辑和验证方法,有助于获得相对干净的表格呈现。大数据不是这种情况,它们是几乎可以采用任何形式的非结构化数据。这让大数据的质量问题很头疼。数据质量至关重要,如果没有,就无法信任数据查询的结果。8:验证当前的投资回报率(ROI)衡量系统ROI的最常见方法是监控交易速度,然后推断其盈利能力(例如,酒店每分钟有多少新预订)。对于大数据处理,交易速度不是一个很好的衡量标准。大数据缓存和运行分析可能需要数小时甚至数天才能完成。衡量大数据处理有效性的最佳指标之一应该是利用率,利用率应该保持在90%以上(相对于交易系统,利用率可能只有20%)。对于大数据,确定新的ROI指标尤为重要,因为你仍然要说服CFO和其他业务负责人。9:减少“噪音”95%以上的大数据都是“噪音”,对商业智能的贡献很小或没有。通过数据筛选进行企业挖掘,助力企业业务进步,是一项非常艰巨的任务。10:每天工作时间多年来,大学和研究中心一直在使用大数据实验来试图回答有关基因组、药物研究以及其他星球上是否存在生命等难以捉摸的问题。虽然其中一些算法和查询产生的结果更加不确定,而且大学和环境研究也没有定论,但这对企业来说是不可接受的,因此IT和关键业务决策者需要调整和管理预期。
