我跟許多高級管理者談話時，常會聽到有關大數據（big data，或譯「巨量數據」）項目的錯誤觀念，也對這類項目的成功因素有不少誤解。為了厘清觀念，并協(xié)助人們更了解大數據計劃成功因素，我提出下面的看法。我觀察了一些運用大數據項目而創(chuàng)造重大業(yè)務價值的公司，下面那些那看法就是我觀察之后的心得。
技術工具：許多組織對大數據項目的一個常見錯誤觀念是，認為大數據的項目，就只跟專門處理大數據的技術工具有關，例如Hadoop、Python、Pig、Hive等。這些工具對大數據項目來說的確重要且有用。但是，除非你的公司還處于初創(chuàng)期，否則很可能有一些既有的工具和技術可用。我最近進行的一項有關大數據計劃的研究，那些計劃使用的是天睿公司（Teradata Aster）之類企業(yè)提供的「數據探索」（data discovery）平臺。我發(fā)現(xiàn)，企業(yè)可以使用SQL等現(xiàn)有的程序語言，來設計大數據的應用軟件。我也發(fā)現(xiàn)，原本就有數據倉儲環(huán)境的公司，實施大數據項目來創(chuàng)造價值的速度，會比沒有數據倉儲環(huán)境的公司更快。你現(xiàn)有的分析工具，比如SAS、SPSS,、R等，對處理大量數據來說，也很有用。
專業(yè)人才：既有的技術工具可以沿用，同樣的，你也不需要雇一批全新的人。我訪問的那些進行大數據項目的大公司表示，他們并沒有大規(guī)模地招募博士級的數據科學家，而是組成一些團隊，成員包括擁有量化、計算機或商業(yè)等方面專業(yè)的人。他們的確發(fā)現(xiàn)，部分項目成員需要接受大數據相關技術的訓練，例如Hadoop和腳本語言（scripting languages）。但從大數據項目所需之人才的觀點來看，他們程度并不是糟到不能用的地步。
良好的變革管理：項目要成功，變革管理是關鍵。盡管有些人可能會認為，就大數據工作而言，技術挑戰(zhàn)會比人方面的挑戰(zhàn)更大，但情況不見得是如此。許多大數據項目都牽涉到「規(guī)范分析」（prescriptive analytics），也就是告訴在第一線的員工該如何進行工作的算法或自動化系統(tǒng)。為了這類目的而運用大數據的一些公司，比如UPS用ORION項目來規(guī)劃快遞運輸的路線，或是施奈德物流公司（Schneider National）運用油箱偵測器的分析數據和全球定位數據，來指定司機加油的地點。這些公司的項目經理，都向我強調變革管理的重要性。上述兩家公司所用的應用軟件，都會大幅改變司機工作的方式，而且那些軟件提出的建議，必須要正確、值得信任，否則司機就不會采納。
清楚的商業(yè)目標：一般人都以為，大數據項目的主要就是過濾一大堆數據數據，從中找出可能的關聯(lián)性。這件工作的確很重要，但若公司心目中并不清楚想要解決什么商業(yè)問題，這件工作就會流于漫無頭緒的數據搜集。舉例來說，電信公司T-Mobile和Vodafone運用大數據的分析工具，在顧客和網絡數據紀錄里四處搜尋。若心里沒有明確的商業(yè)目標，這計劃就會變得不著邊際：目標就是降低顧客流失率。有了這個目標，Vodafone澳洲分公司在幾周內，就能夠找出并解決了一些造成顧客流失的網絡問題。
良好的項目管理：有高級管理者支持這類項目是不是有幫助？當然是如此。項目經理是否應該跟利害關系人好好溝通？那當然。這些都不讓人意外，不過大數據的技術復雜性（以及執(zhí)行者對技術面的重視），可能不容易爭取到高級管理者和利害關系人的支持和參與。
誠然，除了好的項目管理技巧，以及上述的其他因素，你還需要一些好運氣。大數據項目往往都涉及新的技術、新的開發(fā)方法，而且本來風險就比較大。如果你用大數據來進行數據挖掘或探索，失敗偶會發(fā)生，但若你能從失敗中學習，那就不是什么大問題。大數據項目仍較偏向是在做研發(fā)，而非產品應用。然而，組織若能夠運用一般的項目管理智慧，加上前述的建議，就能提高成功的機會。