大數據分析在商務智能中的最佳與最差實踐

大數據分析最佳實踐

大數據不僅是一個流行話題，更是企業中實實在在存在的需求。許多企業開始著手于大數據分析項目，但在此之前，我們需要一個良好的部署方案以確保最終的結果能夠為業務服務。選擇合適的技術是規劃的第一部分，當企業選擇了數據庫軟件、分析工具以及相關的技術架構之后，我們就可以進行下一步并開發一個真正成功的大數據平臺。

只選擇你所需要的數據

大數據分析項目中我們會遇到海量的數據集。但是海量數據并不代表一個企業的所有數據，也不是相關數據源中的所有信息都需要我們來進行分析。企業需要確定哪些數據具有戰略價值，能夠為分析服務。在規劃階段，把注意力集中在業務目標之上，將有助于企業對分析進行精準的定位，在此基礎之上我們可以也應該了解哪些數據能夠滿足這些業務目標。

構建高效的業務角色然后處理相應的復雜度

積極應對復雜性是大數據分析項目成功的關鍵之一。為了能夠最終得到正確的分析結果，我們需要讓所有相關的業務數據所有者參與到流程當中，以確保提前制定必要的業務角色。一旦業務角色制定完畢，技術人員就可以評估相應的復雜度，以及所需要做的工作。這就指向了部署的下一個階段。

以協同的方式將業務角色轉化為相關的分析

建立業務角色對于大數據分析應用來說只是第一步，接下來IT或者分析專家需要創建相應的算法。但這部分工作并不應該是獨立的，起初的查詢越準確，那么所需要的開發工作就越少。許多項目都需要持續反復的開發工作，究其原因還是因為項目執行人員和業務部門溝通出現了問題。因此，在項目開發的進程中，我們需要雙發協同并及時溝通，以便保障項目的順利進行。

確定一個維護計劃

除了項目之前的一些開發工作，我們還需要不間斷地注意變更。在業務需求變化之上的日常查詢維護固然重要，但畢竟它只是整個分析項目管理的一部分。隨著數據集的不斷增長以及業務用戶對分析過程的不斷熟悉，他們對系統的要求也會相應地增加。分析團隊必須能夠及時地滿足額外的要求。

牢記用戶需求，不是部分用戶，而是所有用戶

隨著自助式BI工具的流行，在大數據分析項目中把終端用戶放到考慮范疇之內就顯得并不奇怪了。當然，能夠應對不同數據類型的IT架構非常重要，但是系統的可操作性和交互性同樣是我們需要考慮的問題。這需要我們把不同類型用戶的反饋考慮在內，從高管層到操作工，從分析師到統計員都需要能夠訪問到大數據分析應用，不管是用何種方式。

大數據要從小開始

分析大數據集也一樣要從小機會開始，然后再使用它們作為起點。隨著公司不斷地擴大分析的數據源和信息類型，以及開始創建最重要的分析模型，幫助他們發現結構化和非結構化數據的模式和相關性，他們需要注意那些對于預期業務目標而言最重要的結果。

不要忘記最終目標仍是大數據

在確定大數據分析實施計劃時，公司一定要重視規模因素。您一定要考慮到變化——從現在開始的半年內，您需要處理多少數據，您需要增加多少服務器，是否由軟件來完成這些任務。人們并沒有考慮到數據增長的程度，以及觖決方案部署到生產環境后的流行程度。

大數據分析最差實踐

當BI供應商滿面笑容地告訴你他們的客戶已經成功部署大數據分析項目時，他們一定不會告訴你還有那么多失敗的案例。大數據分析項目過程艱難甚至最終失敗是有一些潛在原因的。俗話說失敗乃成功之母，比起成功的經驗，一些失敗的教訓也許對你更加有利。本部分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

這種觀點重復犯了經典的錯誤，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采用產品，他們首先需要判斷該技術所服務的業務目標。

誤認為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復雜的，也是資源密集的。因此，許多組織希望他們部署的軟件將成為銀彈，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于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為所謂“大”只是意味著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，需要以完全不同于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。

忘記過去所有的教訓

有時企業會走向另一個極端，認為大數據中的一切都是完全不同的，他們必須從頭開始。對于大數據分析項目的成功，這種錯誤可能甚至比認為沒有不同更要命。只是因為你希望分析的數據結構不同，并不意味著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

誤認為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。

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，并促使業務經理們和用戶們為改善組織績效和業績而付諸行動之后，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，然后基于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么快，業務會獲得多么重大的益處。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。