京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据项目失败的原因分析
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。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析实战中,我们经常会遇到“多指标冗余”的问题——比如分析企业经营状况时,需同时关注营收、利润、负债率、周转率等十 ...
2026-02-04在数据分析场景中,基准比是衡量指标表现、评估业务成效、对比个体/群体差异的核心工具,广泛应用于绩效评估、业务监控、竞品对 ...
2026-02-04业务数据分析是企业日常运营的核心支撑,其核心价值在于将零散的业务数据转化为可落地的业务洞察,破解运营痛点、优化业务流程、 ...
2026-02-04在信贷业务中,违约率是衡量信贷资产质量、把控信用风险、制定风控策略的核心指标,其统计分布特征直接决定了风险定价的合理性、 ...
2026-02-03在数字化业务迭代中,AB测试已成为验证产品优化、策略调整、运营活动效果的核心工具。但多数业务场景中,单纯的“AB组差异对比” ...
2026-02-03企业战略决策的科学性,决定了其长远发展的格局与竞争力。战略分析方法作为一套系统化、专业化的思维工具,为企业研判行业趋势、 ...
2026-02-03在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27