许多企业领导人开始接纳大数据处理并期待神奇和奇迹，但却发现大数据带来新的复杂性--且从中获益所需要付出的努力要预计中的多得多。

　　1：解决你的业务问题

　　大数据不会处理业务问题。人们可以做的，就是要坐下来，在开始使用大数据之前，讨论决定放弃大数据，就使用商业智能取得共识。

　　2：帮助你管理数据

　　IBM公司宣称：每一天都会产生250万字节的数据，其中大部分属于大数据。不出预料，世界范围内企业所需要管理的数据量呈现指数级增长，由于缺乏清晰有效地数据存储和使用策略，数据将不断堆积，每个企业都陷于数据管理的工作。

　　3：缓解减轻你的安全忧虑

　　对于许多公司来说，确保大数据的安全访问仍然是一个开放式的课题。这是因为对于大数据安全实践的定义远没有系统数据和记录保护这样明确。我们正处在这样的一个时间点上，也就是IT与最终用户一起来？？确定：谁可以访问哪些级别的大数据，并可以进行相应地分析。

　　4：关键IT技能缺乏

　　大数据处理数据库管理、服务器管理、软件开发、业务分析技能短缺，许多IT部门关键IT技能的缺失会不断成为企业的负担。

　　5：减少遗留系统的价值

　　如果有的话，遗留系统记录会较之任何大数据更具有价值。通常情况下，正是这些遗留系统可以为大数据分析提供重要线索，用于回答重要的业务问题。

　　6：简化数据中心

　　大数据分析需要并行处理计算机集群和传统IT事务处理和数据仓库系统等不同风格的系统管理，这就意味着能量、冷却、软件硬件消耗，运转这些系统所需要的技巧也不尽相同

　　7：提高数据质量

　　传统事务处理系统美妙之处在于其拥有固定长度的数据字段以及全面的数据编辑和验证发方式，这有助于得到一个相对干净的表格呈现。大数据不是这样，他们是非结构化的数据，可以表现为几乎任何形式。这让大数据的质量成为一个令人头痛的难题。数据质量至关重要，如果你没有它，就不能信任数据查询的结果。

　　8：验证当前的投资回报率（ROI）

　　衡量系统投资回报率最常用的方法是监测交易速度，然后推断其获利能力（例如酒店每分钟有多少新的预订）。对于大数据处理来说，交易速度不是好的衡量指标，大数据缓存和运行分析可能需要数小时甚至数天才可以杀青。衡量大数据处理有效性的一个最好的指标应该是利用率，它应该保持在90%以上（相比于交易系统，其利用率可能只有20%）。对于大数据来说，确定新的ROI指标尤为重要，因为你还有说服CFO以及其他业务部门的领导。

　　9：减小“噪音”

　　95%以上的大数据属于“噪音”，对于商业智能的贡献很小或几乎没有。通过数据筛选来进行企业掘金，帮助企业业务进步，这是一个非常艰巨的任务。

　　10：每天工作时间

　　多年来，大学和研究中心一直运用大数据实验，试图解答基因组、药物研究以及是否有其他星球生命等令人难以捉摸问题的答案。虽然其中一些算法和查询产生结果更多还是不确定的，大学和研究对于环境的研究也尚无定论，但这不是企业可以接受的，因此，IT和企业关键决策者需要对预期进行调整和管理。