在這裏還是要推薦下我自己建的大數據學習交流羣:784557197，羣裏都是學大數據開發的，如果你正在學習大數據 ，小編歡迎你加入,大家都是軟件開發黨，不定期分享乾貨（只有大數據軟件開發相關的），包括我自己整理的一份2018最新的大數據進階資料和高級開發教程，歡迎進階中和進想深入大數據的小夥伴加入。
大數據分析現在很火。只要你瀏覽任何IT出版物或者網站，你都能看到商務智能供應商和他們的系統集成合作伙伴推銷幫助企業實施和管理大數據分析系統的產品和服務。這些廣告和大數據分析的新聞以及供應商匆匆提供的案例研究可能會使你誤認爲大數據是很容易的事，誤認爲要成功部署只需要一種特別的技術。
如果它是那麼簡單就好了。當BI供應商樂呵呵地告訴你他們的客戶已經成功部署大數據分析項目時，他們不會告訴你還有那麼多失敗的案例。大數據分析項目令 人失望是有一些潛在原因的。你可以找到大量關於大數據分析最佳實踐的建議。但下面是一些大數據分析項目的最差實踐，你需要了解如何避免它們。
盲目跟風
這種觀點重複犯了經典的錯誤，組織開發他們的第一套數據倉庫或者BI系統時經常會犯這樣的錯誤。太多時候，IT和BI以及分析項目管理者被技術炒作所迷 惑，忘記了他們首要任務的商業價值;數據分析技術僅僅是一個用來產生商業價值的工具。大數據分析的支持者們不應該盲目地採用產品，他們首先需要判斷該技術 所服務的業務目標，以便建立業務案例，——然後爲手頭工作選擇正確的分析工具。沒有對業務需求的深刻理解，會存在很大風險，項目團隊最終可能將創建出一個 “大數據磁盤場”，而不是真正對組織有價值的東西，得到的是一個不想要的“數據狗窩”。
誤認爲軟件可以回答所有問題
構建一個分析系統，尤其是涉及大數據的分析系統是非常複雜的，也是資源密集的。因此，許多組織希望他們部署的軟件將成爲銀彈，神奇地實現一切。當然，人 們應該明白希望總是比現實更美好。軟件確實會帶來幫助，有時幫助還會很大。但是大數據分析的效果取決於被分析的數據和使用工具的分析技能。
思路太過僵硬
通常，人們總是不斷嘗試他們過去的做法，即便當他們面對不同的場景時也會這樣。在大數據情況下，一些組織會想當然地認爲所謂“大”只是意味着更多的交易 和更大的數據量。這種觀點可能是正確的，但是許多大數據分析策略會涉及非結構化和半結構化信息，需要以完全不同於企業應用程序和數據倉庫中結構化數據的方 式管理和分析。因此，我們需要一套新的方法和工具來進行大數據捕獲、清洗、存儲、集成和訪問。
忘記過去所有的教訓
有時企業會走向另一個極端，認爲大數據中的一切都是完全不同的，他們必須從頭開始。對於大數據分析項目的成功，這種錯誤可能甚至比認爲沒有不同更要命。只是因爲你希望分析的數據結構不同，並不意味着我們已有的數據管理基本原則需要重寫。
沒有必備的業務和分析專業知識
誤認爲該技術可以實現一切的必然結果就是，相信所有你需要的只是讓IT員工實施大數據分析軟件。首先，與上述產生商業價值主題相符合，有效的大數據分析 項目必須在系統設計階段以及持續運營過程中結合廣泛的業務和行業知識。其次，許多組織低估了他們需要分析技能的程度。如果大數據分析僅僅是構建報表和儀表 盤，企業可能可以利用他們現有的BI專業技能。然而，大數據分析通常涉及更高級的過程，比如數據挖掘和預測分析。這需要具備統計、決算以及其它高級技能的 分析專業人士，這可能意味着組織需要新聘請人員來邁出向高級分析進軍的第一步。
把項目當作科學實驗
太多時候，公司衡量大數據分析項目的成功僅僅是通過數據收集和分析來進行。而事實上，收集和分析數據只是開始。如果結合了業務流程，並促使業務經理們和用戶們爲改善組織績效和業績而付諸行動之後，分析才能產生商業價值。要獲得真正的效率，就需要把分析項目納入反饋閉環，以便交流分析結果，然後基於經營業績提煉分析模型。
承諾太多，想做的太多
許多大數據分析項目陷入了一個大誤區：支持者過度宣揚他們部署的系統會有多麼快，業務會獲得多麼重大的益處。過度的承諾和交付的不足必然導致業務與技術的 分離，這樣組織一般會很長時間都推遲特定技術的選用——即便其它許多公司已經使用該技術獲得了成功。此外，當你設定了很輕鬆很快就能獲益的預期，業務主管 就有一種認識傾向，容易低估了需要參與和承擔義務的程度。當足夠資源不能兌現的話，預期的收益通常不會來的容易或者迅速，那麼項目基本就貼上了失敗的標 籤。
大數據分析可以給組織帶來很大的商業價值，但是如果你不小心，不從其它公司犯的錯誤中吸取教訓的話，它也可以帶來災難。謹記上述的幾點問題，切莫成爲大數據分析項目的反面典型。
