A. 大數據中存在哪些誤區
1.大數據是新時代的新玩意
事實上，數據分析一點也不新。早從數百年前的啟蒙時代，學者們便已開始遵循科學方法，一步步拆解事物形成背後的原因。科學家先觀察，取得並分析數據，歸納出假說，然後再經過不斷實證，逐漸形成定律。因此我們說的大數據，充其量只是科學方法的應用。
2.100TB以上才叫大數據
數據的大小，事實上沒有明確的界線。更重要的，數據的大小，不一定有意義。數據大，也不代表一定能做出准確的預測─假設你擁有地球70億人口的姓名、性別、生日、身高、體重、膚色、視力，以及他們的上網行為等種種數據，如果題目是要預測他們明年的收入分布，這個龐大的資料庫，恐怕還是無法幫上你什麼。所以數據在精不在多，重點是要達成的任務，不是儲存的數量。
3.數據非常客觀
採集數據的軟硬體，是人為設計的，因此不可能做到絕對的客觀。手機停留在某個畫面，就代表你在欣賞這個內容嗎?很難說，或許你只是在跟旁邊的朋友聊天。對某個發文點贊，就代表你真心喜歡這則資訊嗎?也很難說，說不定只是喜歡發文的人，或是手滑不小心按到。
4.數據可以告訴你不知道的內幕
就像字面顯現的，數據只能告訴你不知道的數據。但它究竟代表什麼樣的內幕，必須要靠歸納者自行去解讀。舉例來說，分析你的App使用者資料後，發現21-30歲女性族群佔比最大，這可能代表著你的App對這種人最有吸引力，但也可能代表當初推廣團隊在發廣告時，比較針對這樣的族群。究竟事實是什麼?往往需要更進一步的綜合比較、實驗分析，才能逼近。
5.大數據是資訊部門的問題
大數據的收集與儲存，的確可以歸類為資訊部門的業務。但定義該收集什麼，如何收集，收集後該如何應用，絕對是業務主導部門該負責的。要求IT部門把大數據做好，就好像要求財務部門提升公司獲利一樣，是本末倒置的。
關於大數據中存在哪些誤區，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。
B. 揭露大數據五大誤區
揭露大數據五大誤區
在如此多關於大數據的炒作下，IT管理者很難知道該如何挖掘大數據的潛力。Gartner指出關於大數據的五大誤區，以幫助IT管理者制定他們的信息基礎設施戰略。
Gartner研究總監Alexander Linden表示：「大數據提供了巨大的機會，但也帶來了更大的挑戰。海量的數據並沒有解決數據固有的問題。IT管理者需要破除各種炒作，根據已知的事實和業務驅動的結果指導行動。」
誤區1：在採用大數據方面其他人都比我超前
人們對於大數據技術和服務的興趣達到了前所未有的高度，有73%的受訪企業已經投資或者計劃投資大數據。但是大多數企業機構仍然在採用大數據的初期階段，只有13%的受訪者已經部署了大數據解決方案（見圖1）。
圖1、2013年和2014年大數據採用的階段
注釋：Gartner向每位受訪者提問，「以下哪5個階段可以最好地描述你企業機構採用大數據的階段？」
2014年n = 302，2013年n = 720。來源：Gartner（2014年9月）
企業結構面臨最大的挑戰是確定如何從大數據中獲取價值，以及確定應該從哪裡開始。許多企業機構卡在試點階段，因為他們沒有將技術與業務流程或者具體的使用實例聯系起來。
誤區2：我們有這么多的數據，我們並不需要擔心一個小小的數據缺陷
IT管理者認為，目前企業管理如此多的數據使得單個的數據質量問題變得微不足道，因為「大數據法則」。這個觀點認為，單個數據質量缺陷並不影響整個數據分析的結果，因為每個缺陷只是企業機構內海量數據非常小的一部分。
Gartner副總裁Ted Friedman認為：「事實上，盡管單個缺陷對於整個數據集的影響要比數據量少的時候小一些，但是因為數據更多了所有缺陷也就更多了。因此，糟糕的數據質量對於整個數據集的影響還是一樣的。除此之外企業機構在大數據背景下使用的大多數數據都是來自於外部的，或者是未知結構和未知來源的。這意味著出現數據質量問題的可能性要比以前更高，因此數據質量實際上在大數據背景下變得更為重要了。」
誤區3：大數據繼續將消除對大數據整合的需求
一般觀點認為，大數據技術——尤其是通過在用模式方法處理信息的潛力——將使得企業機構要使用多種數據模型來讀取相同的數據源。很多人相信這種靈活性將讓終端用戶確定如何按需地將各種數據集進行轉譯。他們認為，這也將提供滿足單個用戶需求的數據訪問。
在現實中，大多數信息用戶重度依賴於「在寫模式」，在這種場景下數據被描述、內容被預先描述，因此關於數據完整性以及與場景的相關性已經達成了統一。
誤區4：為高級分析使用數據倉庫是沒有意義的
很多信息管理的領導者認為，構建一個數據倉庫是消耗時間且沒有意義的，因為高級分析使用新型的數據而不僅僅是數據倉庫。
現實是，很多高級分析項目在分析過程中使用的正是數據倉庫。在其他一些情況下，信息管理人必須提煉作為大數據一部分的新數據類型，使其適合於分析。他們需要確定哪些數據是相關的，如何聚合這些數據，以及數據質量的等級，而且這種數據提煉可能是發生在很多地方的，不僅僅是資料庫。
誤區5：數據湖將取代數據倉庫
很多廠商將數據湖定義為用於分析各種來源的原始格式數據的企業數據管理平台。
現實是，廠商將數據湖定位為數據倉庫的替代品或者作為客戶分析技術設施關鍵要素是容易引發誤導的。數據湖的基礎技術缺乏已有數據倉庫技術功能特性的成熟型和廣度。Gartner研究總監Nick Heudecker表示：「數據倉庫已經具有支持整個組織上下各種用戶的能力。信息管理者沒必要等著數據湖迎頭趕上。」
C. 大數據誤區有哪些
1、大數據誤區——大數據≠擁有數據
很多人認為擁有數據，尤其是擁有大量數據，就是大數據。這絕對不是真的。大量的數據並不是大數據。但是，保險公司可以利用氣象大數據預測自然災害，調整自然災害相關的保險費率，從而發展其他商業價值，形成大數據的商業環境。因此，利用大數據，甚至關聯、交流，都能產生真正的價值，形成DT時代獨特的大數據業務。
2、大數據誤區——大數據≠報告平台
有很多公司建立了自己的報告中心，或者大屏幕演示中心，然後馬上宣布他們已經實現了大數據，但這還不夠。雖然報告也是大數據的一種形式，但真正的大數據業務並不是生成報告供人們指導，而是隱藏在大數據表象下的一套報告系統。在大數據的閉環系統中，一切都是數據的生產者和用戶。通過自動智能閉環系統、自動學習和智能調節，提高了整體生產效率。
3、大數據誤區——大數據≠計算平台
我看過一篇報道，是關於一家金融機構建立了自己的大數據系統。稍後進一步觀察會發現，它已經設置了一個擁有數百台機器的Hadoop集群。大數據計算平台作為大數據應用的技術基礎，是大數據閉環中非常重要和不可缺少的一部分。但是，不能說有了計算平台就有了大數據。例如，如果我買了一個鍋，我不能說我有一個盤子。從鍋到菜，我還需要原材料(數據)，工具(加工工具)和廚師(數據處理)來完成最後的製作。
4、大數據誤區——大數據≠精準營銷
我見過很多創業公司在做大數據。如果你仔細觀察，你會發現他們所做的是一個基於大數據、廣告投資等的推薦引擎。這是大數據嗎?他們所做的就是大數據的應用，可以說是大數據的一種。只是大數據的整個生態系統不能這樣表達。就像大象的耳朵是大象的一部分一樣，它們並不代表大象。
有哪些大數據誤區?想做好大數據工程師就要注意這些，當一個新的數據洞察或者大數據應用出現的時候，很多人認為擁有數據，尤其是擁有大量數據，就是大數據。這絕對不是真的，你能處理好嗎?如果您還擔心自己入門不順利，可以點擊本站其他文章進行學習。
D. 大數據有哪些誤區
誤區1、大數據學習技術驅動論：大數據的核心目標是數據驅動的智能化，要內解決具體的問題，學習之容前要明確問題，理解問題，所謂問題導向、目標導向，這個明確之後再研究和選擇合適的技術加以應用，這樣才有針對性。大數據學習應該是業務驅動。
誤區2、大數據學習重復造輪子：IT前沿領域的開源化已成不可逆轉的趨勢，Android開源讓智能手機平民化，讓我們跨入了移動互聯網時代，智能硬體開源將帶領跨入物聯網時代，以Hadoop和Spark為代表的大數據開源生態加速了去IOE（IBM、ORACLE、EMC）進程，倒逼傳統IT巨頭擁抱開源，谷歌和OpenAI聯盟的深度學習開源（以Tensorflow,Torch,Caffe等為代表）正在加速人工智慧技術的發展。所以大數據學習要善用開源。
誤區3、大數據學習求大求全：大數據技術龐大復雜，我們的精力很有限，短時間內很難掌握多個領域的大數據理論和技術，學習過程中應要把握好碎片化和系統性的關系。大數據學習要以點帶面。
E. 大數據治理存在哪些誤區
誤區一：客戶需求不明確
客戶既然請廠商來幫助自己做數據治理，必定是看到了自己的數據存在種種問題。但是做什麼，怎麼做，做多大的范圍，先做什麼後做什麼，達到什麼樣的目標，業務部門、技術部門、廠商之間如何配合做······很多客戶其實並沒有想清楚自已真正想解決的問題。數據治理，難在找到一個切入點。
誤區二：數據治理是技術部門的事
數據問題產生的原因，往往是業務>技術，如：數據來源渠道多，責任不明確，導致同一份數據在不同的信息系統有不同的表述;業務需求不清晰，數據填報不規范或缺失，等等。很多表面上的技術問題，如ETL過程中某代號變更導致數據加工出錯，影響報表中的數據正確性等，在本質上其實還是業務管理的不規范。
誤區三：大而全的數據治理
出於投資回報的考慮，客戶往往傾向於做一個覆蓋全業務和技術域的、大而全的數據治理項目。從數據的產生，到加工、應用、銷毀，數據的整個生命周期他們希望都能管到。從業務系統，到數據中心，到數據應用，裡面的每個數據他們希望都能被納入到數據治理的范圍中來。
關於大數據治理存在哪些誤區，青藤小編就和您分享到這里了。如果你對大數據工程有濃厚的興趣，希望這篇文章能夠對你有所幫助。如果您還想了解更多數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。