着企业积累的数据量不断增长，经常被问到的一个令人困惑的问题是“我们如何将其转变为洞察力，然后转化为利润？”

迟早大多数企业发现自己陷入分析瘫痪状态，无法从应该推动其增长的数据中提取有意义的见解或货币价值，我看到这种动态的三个主要原因：首先，没有适当的数据管理流程的企业无法捕获，清理，标记，存储和分析数据，也无法为需要的人提供数据访问权限-他们的员工-将永远受到阻碍，无法获得有意义的见解和收入，分析不良或不干净的数据会导致错误的业务决策和计划，这比不尝试利用其数据会给业务造成更大的不利影响。

企业对仅用于单一目的的技术（例如营销分析）进行了过度投资，并允许各个业务部门购买自己的大数据分析解决方案

这就创建了一个不兼容技术的杂乱无章的基础架构，这些基础架构无法在整个企业中使用，并且经常彼此冲突，如果一个或多个数据驱动的业务部门超越了组织的其他部门，或者开始与其他部门的跨部门合作，则可能会在不知不觉中导致生产力，服务和性能严重中断。

第三，公司可能对从数据中实现的目标没有清晰的愿景，这会导致资源浪费，项目放弃以及对投资的不满

应对这三个挑战将使您走上正确的道路，但是还有许多其他不那么明显的因素或误解会阻碍数据有效性并导致分析瘫痪，这是三个指导原则，可帮助您朝着适用于整个组织的大数据解决方案迈进。

1.让业务目标和结果指导您的决策

选择大数据解决方案的明智方法是确定您希望解决的所有业务挑战的范围-在整个组织中，而不仅仅是一个或两个职能部门，并以此指导您的购买决策，许多企业很快就迷失了视线，只关注大数据可以做什么的承诺，而不是整个组织基于价值的需求，请记住分析是达到目的的一种手段，或者在这种情况下，是实现价值的手段，从数据中提取价值的关键要素来自将分析应用于合理的业务规则，这些规则可导致关键的人为决策。

没有解决问题的基本目标或实用指南，分析输出只会创造出更多问题和疑问，而这些问题和疑问可能会束缚数据科学家和业务主管的工作，从而阻碍进度，以FICO分数为例，没有相关的决策或目标，它仅仅是一个数字-分析模型的输出，只有当承销商运用组织创建的规则来满足某些业务目标以帮助做出决策时，它的价值才变得显而易见。在这种情况下，组织是否应该放贷，放款的金额和利率。

2.结合现实情况，将正确的算法与正确的问题相匹配

市场上有这么多种不同的技术和分析风格，我们可以轻松地看到公司如何过度投资或投资于错误的解决方案。当简单的线性回归模型可以使用时，为什么要购买深度学习和神经网络技术（尽管如此酷）？而且，尽管人工智能和机器学习也很酷，但对于普通企业而言，的奖励选择可能是从基于规则的系统变为依靠简单回归模型进行预测的系统，例如一位营销人员使用回归模型根据年龄，性别和邮政编码爆炸电子邮件广告系列，以对潜在客户和客户进行排序，这可能有助于将定位提高3到5倍。

根据我们的经验，只有10％的用例可以在高级AI或机器学习技术中找到真正的价值，而其他90％的案例可以使用简单的分析模型来获得所需的业务成果，例如可以通过简单的模型来确定倾向性和购买意图得分，但是更复杂的示例（例如欺诈预防或保险索赔异常检测）将从AI和机器学习应用程序中受益，因此重要的是要考虑要解决的问题的类型，然后选择适合每种问题的分析方式。

即使您认为确实可以从更先进的技术中受益，也可能没有足够的数据来实现它们

例如普通企业无法进行深度学习，普通企业没有足够的数据流来应用某些深度学习算法，为了探索深度学习，百度将十亿只猫的图像输入到深度学习算法中，该算法使用这些图像来学习如何自行识别猫，但是在商业环境中，此类丰富的数据集可能不存在，或者如果存在，则可能不容易组装，为了使深度学习能够在商业企业中工作，需要有一个应用程序，该应用程序需要大量且稳定的数据流以及不断反馈回路以进行自学习。

 3.考虑所有成本，而不仅仅是技术成本

与使用平台即服务提供商相比，内部构建大数据系统的成本将给决策者带来沉重的负担，虽然硬成本很容易计算，但从长远来看，与您的决定相关的软成本或其他隐藏成本可能会进一步损害您的利润，这些可能包括资源成本，时间可能错过的业务影响机会，或者更糟糕的是，不合逻辑的结果会降低流程，需要昂贵的修复程序并可能造成收入损失，考虑保险公司不断审核传入索赔的情况，当用于对异常的每个索赔进行评分的模型导致较高的误报率时，可能会浪费人工来查看评分的索赔。在这种情况下

简而言之，自20年前互联网问世以来，大数据解决方案正在为企业带来一些的投资回报率

但是大数据解决方案并不一定总需要很大的范围才能提供大业务成果，通过适当的计划，目标设定和技术审查，公司可以通过精心的投资，从其组织内的数据中快速提供所需的见解和财务收益，不这样做会带来高昂的成本，高昂的技术成本，错误的产品选择或繁重的资源和流程带来的风险；这也会导致决策缺乏或无能为力。

公司容易陷入分析瘫痪

他们不愿冒险，面对未知的事物，并且知道改变对员工的强迫时的惰性感，就选择大数据解决方案而言，分析瘫痪是一个更大，不可避免的悖论的不可避免的征兆：需要大数据分析意味着一家公司足够大并且要吸收足够的数据来要求它，然而较大的公司为此付出了一定的努力，部分原因是它们很大，将大型容器转向新的方向绝非易事，但大型容器必须转向大数据分析以保持竞争力。另外，具有讽刺意味的是，分析瘫痪是由于担心错过新技术的前景而引起的。崇高的期望，匆忙的投资，误导的实施，