
为什么多数大数据项目以失败告终
几乎每个人的心目中,大数据就是企业IT部门的大大小小的结构化和非结构化数据,而且其量正在成倍的增长。但是,尽管大数据已然成为了一种主流的IT现象,多数的大数据项目仍然以失败而告终。
究其原因,就在于企业很难找到适当的方法进行大数据的收集、管理和理解,并最终从大数据信息中提取出有价值的东西。
征服大数据项目,并最终从中提取出您企业所需要的业务洞察力本身就是一项非常艰巨的任务。但当涉及到定义大数据项目的范畴,以及确保相关配套设施到位方面时,您企业的相关人员无法保持统一的步伐,那么,该项目注定是要失败的。
失败的原因分析
如下,是我所看到的大数据项目失败的主要原因:
缺乏一致性。在解决业务部门的相关问题方面,IT部门缺乏与业务部门的一致性。IT部门仅仅只是从技术的角度来看待问题。同样,缺乏企业利益相关者的真正的承诺也往往使得大数据项目很难成功。
缺乏数据访问权限。对数据的访问往往是受限制的,IT团队成员没有访问相关数据集的权限,以致他们无法找到能将使该项目成功的相关数据。
缺乏专业知识。鉴于许多在大数据领域的技术、方法和学科都是新的,导致企业的员工缺乏如何处理数据,完成业务的相关专业知识。
缺乏一致性
上述所有这些问题中,第一条,缺乏一致性。是您的企业必须首先解决的问题,而且也是最为重要的问题。问题的关键在于,您企业当前所探索和寻找的东西都是您不熟悉的领域,所以,要想获得大数据项目的成功,首先搞清楚您的业务部门到底是要解决什么问题是至关重要的。
虽然其是您企业大数据项目成功的最重要的因素,要想实现企业业务部门和IT部门之间的一致性也是相当具有挑战性的。不仅仅是因为大数据对于不同的人有着不同的意义,同时,还在于一系列外部因素可能会影响业务需求的变化,使得处理某些问题的优先级超出了IT部门所能保持的步伐。如果IT部门与业务部门在大数据项目所涉及的范畴方面无法达成一致,该项目就会涉及到太多的方向、太多的人,以至于会将重点从解决具体的业务问题变为对IT技术的管理,以便能够实现每个人的需求。
另外一个影响业务部门和IT部门之间的一致性的挑战来源于不愿意发生改变。很多时候,如果一个大数据项目建议采取相关的行动或变革,而业务部门的利益相关者不理解所涉及到的相关行动或变革,他们往往可能采取消极怠工的方法,首先默默的接受这一建议,但在之后将其贬为一个错误的进程,分析或数据集。对此,分析师团队则可能认为该业务部门已经同意并付诸相关行动了,只是他们所采取的行动所带来的结果只是产生了次优的业务成果。
缺乏数据访问权限
大数据项目失败的第二个原因——缺乏数据的访问权限可以追溯到一个基本的IT前提:筒仓。销售部门、营销部门、人力资源部门等都有数据仓库,每个部门的数据仓库都限制了相关数据的访问权限和保护措施。数据仓库存在的理由很好理解,但是如果IT部门所需要的数据仓库的某些相关数据不可用,那么,可以说在IT部门的员工试图解决某些问题前,就已然注定了他们无法解决这些问题了。
为了应对这一问题,大数据项目必须从一开始就具备相关数据的执行权。如果无法对所有业务相关数据进行访问,也就无法找出业务问题的关系和模式,也就无法解决业务部门所面临的问题了。所以,大数据项目的授权要来自企业的高层,如果企业高层发话说:“某个业务团队正在寻找解决某个相当重要的特定业务问题,IT部门就有足够的机会获得他们所需要的任何数据的访问权限了。”如果无法获得正确的数据信息,该项目无疑将长时间处于停滞状态。
缺乏专业知识
第三大缺陷——缺乏相关专业知识。这其实是源于企业缺乏合适的拥有正确的技能来执行大数据项目的人材。而由于大数据技术对于“主流”企业来说仍然是很新的,IT团队往往缺乏相关的专业知识来确定如何用大数据来达到分析的目的。
虽然招聘数据科学专家是解决这种专业知识的不足一种可能性的备选方案,但对于许多企业来说是不可行的。这一新的角色需要结合程序员的技能和调查研究科学家的思维,企业专门设置一个这样的职位的代价会非常高,同时其所需的相关技能设置也不常见,很难创建。
如何使您企业的大数据项目成功
考虑一个切实可行的办法。首先,不要将其称之为是一个“大数据项目”。将其命名为一个类似的项目名称:例如“一个帮助我们更好的了解我们的客户、以及为什么他们会喜欢在某个特定的商店购物的项目。”该项目是要回答重要的业务问题,而大数据便是答案的来源。如下,有一些最佳实践方案来帮助您的项目实现成功:
从列出一个您所想要解决的业务问题的清单入手
不要从解决某个大问题着手。从启动一个小的项目开始,选择一个您所亟待解决的具体的问题,并坚持下去。列出一份您所需要解答的问题的列表清单,并且不要因为被技术问题困住而忽视您的目标。确保IT团队的工作职责不会变得过于宽泛或所谓的“全方位”,这样可以尽量避免处理问题范围的改变进而导致的项目失败:即从业务部门到IT部门的需求的改变导致问题焦点的转移。确保所有利益相关方在客观上对于项目的实施和执行都是同意的,以便让每个人都能够专注于项目的完成。
在您开始项目之前获得企业高层的背书
一旦您已经确定您所要解决的业务问题,必须获得业务团队从上而下的对于您所需要的所有相关数据的支持,以保证成功完成项目。务必获得公司高层领导对于访问所有相关的业务数据的授权,以便您可以找到相关的模式和关系,进而解答业务问题。也就是说您必须获得访问、控制的权限。
确保您的团队具备执行项目所需的专业知识
理想的情况下,您的团队内部将会有成员接受过专业的训练,具备数据科学家的技能和心态,能够利用这些数据信息来生成所需的业务结果。如果不是的话,您可以利用您现有的系统来解决的问题。这是一个很好的退后一步来思考所需要解答的业务问题的时机。您可能在这时不需要经过专业的培训或NLP就能够得到您需要的答案,只是授予了合适的人员来访问企业内部的数据信息而已。
选择一个能够创造商业价值的问题,并在您已经正确的道路上持续的坚持下去。记住,一个成功的项目与其所涉及的范围是没有太大关系的。没必要一口气吃个胖子,那样反而会带来更大的失败。毕竟,一个小项目的成功要比一个大项目的失败要好得多。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09