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
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12