随着数据分析、人工智能和机器学习继续成为主流，大数据在多个业务领域得到使用和应用。 大数据分析可以从这些丰富的数据中提取真正的价值，这些数据可以是结构化的、非结构化的或半结构化的。
社交媒体的出现为收集有关客户行为的数据提供了许多新机会。 这里有些例子：
点击流数据来自网站交互，例如鼠标点击和网页滚动。
社交商业网站是愿意分享有关其购买行为信息的客户在线社区。
传感器提供有关客户物理环境的数据，例如温度、湿度和交通模式。
从数据分析中获得的见解可以帮助组织进行决策。 但只有以适当的方式管理大数据，才能真正发挥大数据的优势。 组织可以通过确保以简单的用例确定起点并实施它以快速检查输出，从而避免迷失在大数据空间中。
开始任何大数据计划之前的第一步是适当的规划。 组织必须清楚地知道项目的目的。 他们还应该确定他们想要提取什么价值以及它将如何影响业务决策。 应该选择最有希望的领域作为开始。
在本文中，我们将探讨大数据计划的一些注意事项。
1. 明确目的和出发点
数据收集的目的和确定起点对于任何大数据项目的成功都非常关键。 首先，目标应该是确定最有前途的业务用例。 它将帮助组织识别这些用例的组件。
在此之后，应该进行适当的规划，将大数据技术应用于这些用例，并为业务增长提取有价值的见解。 执行的优先级应取决于以下因素：
实施成本。
对业务的预期影响。
启动所需的时间长度。
实施速度。
组织应始终从一个简单且易于实施的应用程序作为试点项目开始。 （另请阅读：为什么您应该为工作操作系统放弃项目管理工具。）
2.正确评估数据许可证
数据是任何大数据和分析项目的燃料。 因此，保护您的数据免遭滥用非常重要。 在向任何供应商或第三方用户授予数据访问权限之前，应制定适当的许可条款和条件。 数据许可证应明确提及以下基本要点。 许可协议中还会有许多其他关键参数。
谁将使用这些数据？
哪些数据可以访问？
数据将如何使用？
如果许可出现任何故障，由此导致的数据丢失和滥用将对业务产生不可否认的负面影响。
3. 允许数据民主化
数据民主化可以定义为一个持续的过程，组织中的每个人都可以访问数据。 组织中的人员应该能够自如地处理数据并自信地表达他们的意见。
数据民主化有助于组织变得更加敏捷，并根据数据做出明智的业务决策。 这可以通过建立适当的流程来实现。 首先，无论组织结构如何，所有层级都应该可以访问数据。 其次，应在验证数据后建立单一的真实来源（称为“黄金来源”）。 第三，应该允许每个人检查数据并提出意见。 第四，可以通过计算风险来检验新想法。 如果新想法成功，那么组织可以继续前进，否则可以被视为吸取教训。
4. 建立协作文化
在大数据的博弈中，一个组织中不同部门和团队之间的相互协作非常重要。 大数据计划只有在所有层级都建立适当的组织文化时才能成功，无论他们的角色和职责如何。
一个组织的管理层应该对未来有一个清晰的愿景，他们必须鼓励新的想法。 应允许所有员工及其部门寻找机会并建立概念证明来验证它。 不应该有任何政治来指责和停止比赛。 这始终是一个学习过程，必须对成功和失败一视同仁。
5.评估大数据基础设施
任何大数据项目的基础设施部分都同样重要。 数据量以 PB 为单位，经过处理以提取洞察力。 因此，必须正确评估存储和处理基础设施。
数据中心用于存储目的，因此必须根据成本构成、管理、备份、可靠性、安全性、可扩展性和许多其他因素进行评估。 （另请阅读：6 大公有云风险。）
同样，在完成交易之前，必须仔细检查大数据的处理和相关技术基础设施。 云服务在使用和成本方面通常非常灵活。 成熟的云供应商包括 AWS、Azure 和 GCP 等重量级供应商，但市场上还有更多供应商。
6. 不要迷失在数据的海洋中
良好的数据治理对于大数据项目的成功非常重要。 实施前应规划适当的数据收集策略。 通常，收集企业的每一条遗留数据是一种普遍的趋势。 但是，所有这些数据可能并不适合当前的业务场景。 因此，首先确定业务用例并确定数据的应用位置非常重要。
一旦数据策略被明确定义并直接连接到目标业务应用程序，就可以计划下一步的实施。 在此之后，可以扩充新数据以改进模型及其效率。
7. 不要忘记开源
您正在考虑的技术的实用性应根据项目规模和组织预算进行评估。 许多开源平台都可以免费运行试点项目。 中小型组织可以探索这些开源解决方案以开始他们的大数据之旅。 因此，组织的重点应该放在产出和投资回报率上。
Hadoop 是一个开源软件框架，它使用 HDFS（Hadoop 分布式文件系统）和 MapReduce 来分析商品硬件集群上的大数据——即在分布式计算环境中。 （阅读：如何使用 Hadoop 分析大数据？）
大数据运动已经成熟到 Hadoop 已成为处理大数据的事实标准的地步。 MapReduce 是一种编程模型，用于分布数据并使用简单的编程模型在计算机集群中并行处理数据。 它由谷歌开发，用于在大型计算机集群上高效处理大量数据。
8. 没有适当的计划就不要开始
一次性启动所有大数据项目是一种非常危险的趋势。 这种方法可能只会导致部分成功或完全失败。 组织应该在开始他们的大数据计划之前进行适当的计划，而不是全力以赴或采取信仰的飞跃。 始终建议从一个简单、小型且可衡量的应用程序开始。
一旦试点成功，就可以在大规模应用中实施。 花时间制定计划并仔细选择试点项目是关键。
9. 不要忽视安全
数据安全是大数据项目的另一个重要方面。 在任何大数据场景中，都会从不同的源系统中提取 PB 级的数据，然后对其进行处理。 处理后的数据是分析模型的输入。 分析的输出是对业务有价值的洞察力。 一旦原始数据得到提炼，并从原始数据中挖掘出有意义的信息，那么该信息的机密性、完整性和可用性 (CIA) 就变得至关重要。
当数据包含关键业务信息时，它对组织就变得有价值。 因此，必须保护这些数据免受外部威胁。 数据安全必须作为大数据实施生命周期的一部分进行规划。 （另请阅读：云安全：5 种常见的网络风险。）
10. 不要专注于孤立的业务部门
在当今复杂的业务场景中，专注于单个业务部门无济于事。 组织应该从整体上看待业务，并从全球角度思考问题。 最好的方法应该是一次一小步，放眼全局。 就业务部门而言，重点应该是整体的。 它将产生积极的影响和更好的投资回报率。
结论
大数据实施没有具体的成功路径。 但是，它是计划、战略、方法和其他各种因素的结合，才能取得成功。
每个组织都有要实现的特定目标，因此应相应地规划策略，必须谨慎选择试点项目，并且必须妥善保护和处理由此产生的信息。
