要完成大数据剖析项意图***实践并非易事。正因如此，Gartner研讨总监Svetlana Sicular题为“大数据7大失利事例”的陈述招引了思科工程师Karen Liu的留意。

　　“咱们正处于开端阶段，想了解下其他人正在做什么，有哪些成功事例。”Liu说：“而一切的失利事例，也是咱们有必要学习并加以警觉的。”

　　许多人有着和Liu相同的主见。Family Dollar Stores Inc.(美国闻名扣头零售商，总部坐落北卡罗来纳的夏洛特，最近刚被另一家扣头连锁店Dollar Tree Inc.收买)的企业架构总监David Kropman也依据相同原因参加了这次会议。“咱们刚开端大数据的探究，想了解正确的使用场景，一同防止自己重蹈其他公司的覆辙。”Kropman表明。

　　Sicular的陈述给出了满意清楚的信息，能够让Kropman和Liu回去同享给各自的团队，防止犯相同的过错。Kropman说：“大数据项意图失利不单单是因为某个原因，而是由多个要素一同导致的。”

　　关于大数据项意图失利，Sicular总结出7个主要原因，并区分为三个大类：战略、技能和剖析。

　　战略方面的失利

　　1.安排慵懒。某家旅游公司体系经过web日志数据的发掘来提高客户洞悉。成果证明，用户在阅读网站之后，随后的消费行为形式与办理层所以为的不一致。当团队报告此事时，办理层以为何足挂齿。可是，该团队并没有抛弃，并经过紧密的A/B测验，反击了办理层的小看。

　　这个事例的终究成果，不是每个CIO都能期盼的。可是，有一点是能够确认的：做好和办理层打交道的预备，让他们充沛了解大数据是什么以及相应的价值。要说对CIO们有什么主张的话，Sicular以为，不要在失利的项目上过多羁绊，重新启动一个新的。

　　2.挑选了过错的使用场景。一家稳妥公司想了解日常习气和购买生命稳妥志愿之间的关联性。因为随后觉得习气太过于广泛，该公司将查询领域限制到是否吸烟上。可是，作业依然没有本质发展。“不到半年，他们就停止了整个项目，因为一向未能发现任何有价值的信息。”Sicular说。

　　这个项意图失利是因为问题的复杂性。在抽烟与否之间，该公司没有留意到还有大片灰色地带：许多人是先抽烟而后又戒烟了。在将问题简单化动机的驱动下，这个部分被忽略了。“他们不是医疗健康方面的专家。”Sicular剖析到。为此，她提示听众要对使用事例排定优先级，先易后难，按部就班。

　　技能层面的失利

　　3.无法应对意料之外的问题。一家全球性公司的大数据团队发现了许多深入的洞悉，而且方案经过云让全公司同享。“为此，他们启动了一个云中的项目。”Sicular说。

　　Sicular以为，这样做是有危险的 – 一个在受控的定制环境中取得成功的项目，未必能适应于出产环境中。“这个团队轻视了功率方面的损耗。因为网络拥塞的问题，无法满意全球各个分支顺利提交数据运转剖析的需求。”Sicular剖析说。

　　该公司应该细心考虑下怎么支撑大数据项目，整理所需的技能并和谐各IT分支的力气进行支撑。“因为网络、安全或基础设施的问题，已经有太多的大数据项目栽了跟头。你有必要事先想清楚，需求哪些方面的人手加入到项目中来。”Sicular表明。

　　4.缺少大数据剖析技能。一家零售公司的***执行官不认同亚马逊规模化、扁平化的服务形式，因而让CIO构建一个客户引荐引擎。项目开端的规划是半年为期，可是团队很快认识到比如协同过滤(collaborative filtering)之类的概念无法完成。为此，一个团队成员提出做一个“假的引荐引擎”，把床布作为仅有的引荐产品。

　　这个假引擎的作业逻辑是：买搅拌机的人会买床布，买野营书本的人会买床布，买书的人会买床布。便是如此，床布是仅有的、默许的引荐品。

　　虽然可笑，这个主见其实并不坏，默许的引荐也能给企业带来出售上的提高。可是，因为大数据相关技能的缺失，真实意义上的引擎未能完成。Sicular表明，这是需求很长时刻探究和堆集的。虽然进程弯曲而绵长，不过不必忧虑，大数据的推动是有清晰阶段区分的，对CIO们来说能够有针对性地加以应对。这些阶段包含：

　　办理高层表明支撑大数据战略规划构成进行各种测验和验证流程上线并不断完善(Sicular称之为战术阶段)出资报答开端闪现，企业真实体会到大数据的价值(Sicular称之为战略阶段)技能抢先的企业开端构建真实的数据产品(Sicular称之为转型阶段)

　　数据剖析自身的失利

　　5.对数据过于信任。2008年，Google***次开端猜测流感就取得了很好的作用，比美国疾病防备操控中心(Centers for Disease Control and Prevention)提早两礼拜猜测到了流感的迸发。可是，几年之后，Google的猜测比实际情况(由防控中心依据全美就诊数据计算得出)高出了50%。“媒体过于烘托了Google的成功，出于猎奇意图而查找相关要害词的人越来越多，然后导致了数据的歪曲。”Sicular说。

　　因而，CIO在拿到数据之后，应该从不同视点进行加以审视，保证对数据的来历、验证办法、操控手法以及是否有脏数据等问题都能胸中有数。

　　6.提出了过错的问题。一家全球抢先的轿车制造商决议展开一个情感剖析项目，为期6个月，耗资1千万美元。项目完毕之后，该厂商将成果同享给经销商并企图改动出售形式。然后，所得出的成果终究被证明是过错的。

　　“项目团队没有花满意的时刻去了解经销商所面对的问题或事务主张，然后导致相关的剖析毫无价值。”Sicular说。

　　对此，Sicular提到了决策剖析中的“满意度(satisficing)”模型 -- 即抛弃对***成果的偏执，依据详细的情境，找到满意好的解决方案。“耐下性质，去真实了解问题以及企业或许从中取得的收益。”Sicular解说说。

　　7.使用了过错的模型。为了寻觅可供学习的事例，一位在银行作业的博士研讨了其他职业的大数据成功使用。终究，他的目光落在了电信职业的客户丢失猜测模型上。

　　该银行从电信业聘请了一位专家，后者也很快构建了评价用户是否行将丢失的模型。Sicular表明，其时已进入评测验证的***阶段，模型很快就将上线，而银行也开端预备给那些被以为行将丢失的客户宣布函件加以款留。可是，为了稳妥起见，一位内部专家被要求对模型进行评价。

　　这位银职业专家很快发现了令人惊讶的工作：不错，那些客户确实行将丢失，但并不是因为对银行的服务不满意。他们之所以搬运产业(有时是悄然无声的)，是因为感情问题 -- 正在为离婚做预备。

　　了解模型的适用性、数据笼统的等级以及模型中隐含的细微差别，这些都是十分具有挑战性的。“这是大数据剖析的要害之一。”Sicular表明。为了大数据项意图成功，CIO还有必要从品德、道德和心思的视点进行考虑。