很多企业都对大数据寄予厚望，希望它能够解决长期存在的业务问题，让公司更具竞争力并设计、制造出更好的产品。然而，这样的热忱很容易带来对大数据的高估，因为大数据“本身”并不会带来任何价值。本文列出了10个大数据不会“主动”为企业做的事情，除非企业对这些数据进行更加深入而细致的分析与挖掘工作。

    1、解决业务问题

    大数据并不会解决业务问题，业务依然需要人来解决。只有那些好好坐下来、在他们开始使用大数据之前想好希望从大数据中获得什么的公司，才能从大数据中得到他们正在寻找的商业智能的出路。

    2、为数据管理提供帮助

    IBM声称全球每天产生大约2.5 quintillion的数据。其中大多数是大数据。不出所料，全球企业内处于管理中的数据也呈现指数级的增长。随着数据大量堆积而没有明确的数据保留和使用策略（尤其是针对大数据），组织机构正在面临着管理这些数据的难题。

    3、解除安全担忧

    对于很多企业来说，确定大数据的安全访问仍然是一个开放的话题。这是因为大数据的安全实践并不像系统记录数据那样有着明确的定义。我们正处于这样一种状态，IT应该与终端用户合作，确定哪些人访问了哪些层面的大数据以及相应的分析。

    4、解决关键IT技能的问题

    大数据数据库管理、服务器管理、软件开发以及业务分析技能都是很短缺的。这使得很多已经匮乏关键IT技能的IT部门负担更重了。

    5、减少遗留系统的价值

    如果有的话，遗留系统往往比大数据更具有价值。通常情况下，这些遗留系统提供了关于如何最好地剖析大数据、回答重要业务问题的重要线索。

[page]    6、简化数据中心

    大数据要求并行处理计算集群，以及一个与传统IT交易和数据仓库系统类型不同的系统管理。这意味着运行这些新系统所需的能耗、智能、软件、硬件和系统技能也是不同的。

    7、改善数据质量

    传统交易型系统的美妙之处在于这些系统都是固定数据字段长度的，全面的编辑和验证数据，有助于数据相对干净的形式。而大数据就不同了，它是非结构化的，可能是任何一种格式。这使得大数据质量成为一大难题。数据质量至关重要。如果没有数据质量的话，你就不能信任数据查询的结果。

    8、验证现有投资回报率指标

    从系统记录中测量投资回报率的最常用方法就是监控交易速度然后推断出这在获得收入方面意味着什么（比如你每分钟和获取的酒店预订单）。交易速度并不是大数据处理的一个很好的度量标准，这可能需要数小时甚至是数天时间处理并分析大范围的数据。相反，评估大数据处理有效性的最佳标准是利用率，定期评估的结果应该在90%以上（相比之下，交易型系统大约只有20%）。开发针对大数据的新型投资回报率指标很重要，因为你仍然需要去说服CFO以及其他管理层证明大数据投资的价值。

    9、大部分数据都很有用

    95%的大数据都是“噪音”,也就是对业务智能完全没有贡献或者贡献很小。筛选出这种数据以获得智能将会对企业大有用处。

    10、每一次都奏效

    多年来，大学和研究中心都在进行大数据的实验，以寻求在基因组工程、医疗药物研究以及确定外星生物是否存在等研究中的那些难以捉摸的答案。虽然最终这些数据分析算法产生了一些结果，但是更多的仍然是不确定的结论。如果说大学及研究环境中的不确定性尚可容忍的话，那么企业环境中就绝非如此了。这是IT与其他关键决策者都需要对此有所预期。