隨著大數據時代的深入發展，大數據目前已經成為萬眾矚目的焦點，已經有眾多企業在拼命把自己的數據投付使用、希望借此為重要決策提供支持。

盡管大數據宣傳與炒作可謂如火如荼，但仍有92%的企業始終保持中立態度，即計劃在“合適的時間”著手實施或者表示不打算接觸大數據項目。而在那些已經親身實踐大數據項目的企業中，多數遭遇失敗、而且往往是掉進了同樣的幾個陷阱當中。

取得大數據項目成功的關鍵在于構建一套迭代型方案，鼓勵現有員工參與并使用，從而在一系列無關緊要的失敗中學習知識并積累經驗。

八種導致失敗的理由

由于眾多企業在探索自有數據的過程中完全是在胡打誤撞，因此在意識到這一點后、他們決定向能帶來更具可預測性方案的專業人士求援(包括認為數據科學家能夠奇跡般地隨手化解他們面臨的現實難題，甚至還有不少更夸張的預期)。Gartnerwngr Svetlana Sicular為我們匯總出八種導致大數據項目失敗的常見原因，它們分別是：

·管理層阻力。盡管數據當中包含大量重要信息，但Fortune Knowledge公司發現有62%的企業領導者仍然傾向于相信自己的直覺，更有61%的受訪者認為領導者的實際洞察力在決策過程中擁有高于數據分析結論的優先參考價值。

·選擇錯誤的使用方法。企業往往會犯下兩種錯誤，要么構建起一套過分激進、自己根本無法駕馭的大數據項目，要么嘗試利用傳統數據技術處理大數據問題。無論是哪種情況，都很有可能導致項目陷入困境。

·提出錯誤的問題。數據科學非常復雜，其中包含專業知識門類(需要深入了解銀行、零售或者其它行業的實際業務狀況);數學與統計學經驗以及編程技能等等。很多企業所雇用的數據科學家只了解數學與編程方面的知識，卻欠缺最重要的技能組成部分：對相關行業的了解。Sicular的觀點很對，她表示大家最好能從企業內部出發尋找數據科學家，因為“學習Hadoop比學習相關行業的知識更簡單”。

·缺乏必要的技能組合。這項理由與“提出錯誤的問題”緊密相關。很多大數據項目之所以陷入困境甚至最終失敗，正是因為不具備必要的相關技能。通常負責此類項目的都是IT技術人員——而他們往往無法向數據提出足以指導決策的正確問題。

·在大數據技術之外遇到了其它意外狀況。數據分析僅僅是大數據項目當中的組成部分之一，訪問并處理數據的能力同樣重要。除此之外，常常被忽略的因素還有網絡傳輸能力限制與人員培訓等等。

· 與企業戰略存在沖突。要讓大數據項目獲得成功，大家必須擺脫將其作為單一“項目”的思路、真正把它當成企業使用數據的核心方式。問題在于，其它部門的價值或者戰略目標有可能在優先級方面高于大數據，這種沖突往往會令我們有力無處使。

·大數據孤島。大數據供應商總愛談論“數據湖”或者“數據中樞”，但事實上很多企業建立起來的只能算是“數據水坑兒”，各個水坑兒之間存在著明顯的邊界——例如市場營銷數據水坑兒與制造數據水坑兒等等。需要強調的是，只有盡量緩和不同部門之間的隔閡并將各方的數據流匯總起來，大數據才能真正發揮自身價值。

·回避問題。有時候我們可以肯定或者懷疑數據會迫使自身做出一些原本希望盡量避免的運營舉措，例如制藥行業之所以如此排斥情感分析機制、是因為他們不希望將不良副作用報告給美國食品藥品管理局并承擔隨之而來的法律責任。

在這份理由清單中，大家可能已經發現了一個共同的主題：無論我們如何高度關注數據本身，都會有人為因素介入進來。即使我們努力希望獲取對數據的全面控制權，大數據處理流程最終還是由人來打理的，其中包括眾多初始決策——例如選擇哪些數據進行收集與分析、向分析結論提出哪些問題等等。

通過迭代實現創新

由于很多企業似乎根本無力建立起自己的大數據項目，再加上大多數大數據項目往往最終遭遇失敗，因此將迭代機制引入大數據是非常必要的。這不會迫使企業向咨詢企業或者供應商支付大量費用，大家最好能構建起由內部員工參與的免費數據實驗方案。

鑒于幾乎所有主要大數據技術都屬于開源成果，因此建立起一套“初始規模較小、能夠快速發現問題”的方案其實完全可行。更重要的是，很多平臺都能像云服務那樣立即起效且成本低廉，從而進一步降低了進行項目實驗與發現錯誤的資金投入。

大數據的關注重點在于提出正確的問題，這也是讓企業內部員工參與項目如此重要的理由。但即使擁有卓越的相關行業知識，如果根本無法開始提出問題的流程、企業仍然無法收集到正確的數據。這類問題也應該被納入預期并作好相應準備。

很明顯可以看出，解決問題的關鍵在于使用靈活而開放的數據基礎設施，保證其允許企業員工不斷調整實際方案、直到他們的努力獲得理想的回饋。通過這種方式，企業能夠消除恐懼并最終以迭代為武器順利邁向大數據有效使用的勝利彼岸。