大數據項目最差實踐有哪些？
大數據項目實踐中，多數同學更多關注最佳實踐，其實我們應該更加關注大數據項目最差實踐，在戰略規劃和實施中，知道「不做什麼」比「做什麼」更重要。走自己正確的路，讓別人犯錯去。下列是最差實踐的例子。
建了大數據平台，自然就有結果。很多企業有一個誤區，以為建BI系統或大數據平台就能解決業務問題、帶來價值。IT總是熱衷於技術的炒作，忘記了業務價值才是第一優先順序，數據分析技術僅僅是一個用於產生價值的工具。做大數據項目之前，要先考慮業務目的，建立業務案例（Business Case），然後才選擇和實施合適的分析工具。
軟體將回答所有問題。建一個分析系統，特別是跟大數據相關的，很複雜，資源要求高。結果，企業總是以為軟體像一個魔法棒一樣，能解決他們所有的業務問題。軟體只能輔助人解決問題，但更重要的是數據和具有解決問題能力的人。
相同的方式思考問題。如果期望重複相同的方法，得到不同的結果，那是愚蠢的。在大數據項目實踐中，針對結構化數據和非結構化數據，所使用的方法和工具完全是不同的，如果期望用傳統的BI來解決問題，必定會失敗。例如，結構化數據，可以用傳統的DW（Data Warehouse）架構設計，但非結構化數據，你可能要考慮Hadoop架構。
忘記過去所有的方法。比起相同方式思考問題，更可怕的是，忘記過去所有的方法，這是很致命的。例如，非結構化數據，並不意味著原先基本的數據管理規則需要重建。
缺乏必需的數據分析專家。一個錯誤的認識，是IT技術人員就能夠實施大數據項目。首先，為了產生業務價值，一個有效的大數據平台，應該把業務知識融入系統設計階段和後續的操作。其次，企業不能低估所要求的分析能力。例如，如果只是一些報表、儀錶盤，企業可以利用現有的BI系統，但大數據要求更高級的流程，包括用Machine Learning建預測、推薦等模型。所以，企業組織需配備Business Analyst/Data Analyst/Data Scientist。
忽視數據分析流程迭代的特性。通常，在數據分析流程中，收集和分析數據，併產生價值只是剛開始。真正有效的數據分析項目，是從數據分析中發現價值，然後根據結果反饋，優化分析模型，繼續發現新的價值，這是一個不斷迭代的過程。
答應和努力做更多任務。大數據項目經常掉進一個陷阱：誇大大數據系統的速度和帶給業務的價值。當你設置一個更容易和更快獲益的預期時，業務管理層易於低估難度，一旦遇到難題或資源不足時，你將很難達到業務管理層的預期，最終可能導致項目失敗。
