許多企業領導人開始接納大數據并期待神奇和奇跡，但卻發現大數據帶來新的復雜性——且從中獲益所需要付出的努力要預計中的多得多。

　　每個組織機構都對大數據寄予厚望，期待它可以解答長期存在的業務問題，讓他們在市場集中鎮南關，在產品、服務交付中更具競爭力。這種對于大數據獲益的預期很難實現，除非給予足夠的指導和幫助。 這里列舉不適合大數據的10件事情，除非你能夠采取正確步驟優化其價值。

　　1：解決你的業務問題

　　大數據不會解決業務問題。人們可以做的，就是要坐下來，在開始使用大數據之前，討論決定放棄大數據，就使用商業智能取得共識。

　　2：幫助你管理數據

　　IBM公司宣稱：每一天都會產生 250萬字節的數據，其中大部分屬于大數據。不出預料，世界范圍內企業所需要管理的數據量呈現指數級增長，由于缺乏清晰有效地數據存儲和使用策略，數據將不斷堆積，每個企業都陷于數據管理的工作。

　　3：緩解減輕你的安全憂慮

　　對于許多公司來說，確保大數據的安全訪問仍然是一個開放式的課題。這是因為對于大數據安全實踐的定義遠沒有系統數據和記錄保護這樣明確。我們正處在這樣的一個時間點上，也就是IT與最終用戶一起來​​確定：誰可以訪問哪些級別的大數據，并可以進行相應地分析。

　　4：關鍵IT技能缺乏

　　大數據數據庫管理、服務器管理、軟件開發、業務分析技能短缺，許多IT部門關鍵IT技能的缺失會不斷成為企業的負擔。

　　5：減少遺留系統的價值

　　如果有的話，遺留系統記錄會較之任何大數據更具有價值。通常情況下，正是這些遺留系統可以為大數據分析提供重要線索，用于回答重要的業務問題。

　　6：簡化數據中心

　　大數據分析需要并行處理計算機集群和傳統IT事務處理和數據倉庫系統等不同風格的系統管理，這就意味著能量、冷卻、軟件硬件消耗，運轉這些系統所需要的技巧也不盡相同

　　7：提高數據質量

　　傳統事務處理系統美妙之處在于其擁有固定長度的數據字段以及全面的數據編輯和驗證發方式，這有助于得到一個相對干凈的表格呈現。大數據不是這樣，他們是非結構化的數據，可以表現為幾乎任何形式。這讓大數據的質量成為一個令人頭痛的難題。數據質量至關重要，如果你沒有它，就不能信任數據查詢的結果。

　　8：驗證當前的投資回報率(ROI)

　　衡量系統投資回報率最常用的方法是監測交易速度，然后推斷其獲利能力(例如酒店每分鐘有多少新的預訂)。對于大數據處理來說，交易速度不是好的衡量指標，大數據緩存和運行分析可能需要數小時甚至數天才可以殺青。衡量大數據處理有效性的一個最好的指標應該是利用率，它應該保持在90%以上(相比于交易系統，其利用率可能只有20%)。對于大數據來說，確定新的ROI指標尤為重要，因為你還有說服CFO以及其他業務部門的領導。

　　9：減小“噪音”

　　95%以上的大數據屬于“噪音”，對于商業智能的貢獻很小或幾乎沒有。通過數據篩選來進行企業掘金，幫助企業業務進步，這是一個非常艱巨的任務。

　　10：每天工作時間

　　多年來，大學和研究中心一直運用大數據實驗，試圖解答基因組、藥物研究以及是否有其他星球生命等令人難以捉摸問題的答案。雖然其中一些算法和查詢產生結果更多還是不確定的，大學和研究對于環境的研究也尚無定論，但這不是企業可以接受的，因此，IT和企業關鍵決策者需要對預期進行調整和管理。