Потребности в аналитике больших данных будут стремительно расти. По данным отраслевых исследований, в период до 2017 г. среднегодовые темпы роста этого рынка составят 27%, а его объем достигнет 32,4 млрд. долл. Однако активно инвестируя средства в аналитические инструменты и подготовку аналитиков, CIO и другие ИТ-лидеры не должны терять из виду свои конечные цели. Сбор огромных массивов больших данных вряд ли принесет пользу, если люди не будут знать, во что их транслировать и как извлекать из них информацию, или качество самих данных будет весьма сомнительным. Или если сотрудники не понимают роль не учитываемого ими контекста, либо игнорируют возможность предвзятых мнений при формировании заключений. Это примеры перечисляемых ниже восьми классических ошибок в аналитике больших данных, которые мы собрали вместе, чтобы предупредить о распространенных ловушках и подсказать, как их избежать. Они взяты из нескольких интернет-ресурсов, включая корпоративную информацию IBM и Oracle. Понятно, что это не рецепты со стопроцентной гарантией успеха, тем более что многие организации еще только многому учатся. Однако знание тревожных сигналов, безусловно, поможет минимизировать трудности.

Версия для печати (без изображений)