当然，我们也没必要过分夸大项目管理进程的作用，成功的大数据分析项目来自于多个方面。在本文中，我们就将介绍五个技巧，企业用户进行平台部署的时候可以作为一定的参考：

　　只选择你所需要的数据。出于其本身性质而言，大数据分析项目中我们会遇到海量的数据集。但是海量数据并不代表一个企业的所有数据，也不是相关数据源中的所有信息都需要我们来进行分析。企业需要确定哪些数据具有战略价值，能够为分析服务。举例来说，什么样的信息组合对于客户维系起到至关重要的作用?或者股票市场中，有哪些数据隐藏着交易的模式?在规划阶段，把注意力集中在业务目标之上，将有助于企业对分析进行精准的定位，在此基础之上我们可以也应该了解哪些数据能够满足这些业务目标。在一些情况下，包含所有数据的案例也会有，但毕竟还是少数。我们往往只需要大数据中的一个子集来进行分析。

　　构建高效的业务角色然后处理相应的复杂度。积极应对复杂性是大数据分析项目成功的关键之一。为了能够最终得到正确的分析结果，我们需要让所有相关的业务数据所有者参与到流程当中，以确保提前制定必要的业务角色。一旦业务角色制定完毕，技术人员就可以评估相应的复杂度，以及所需要做的工作。这就指向了部署的下一个阶段。

　　以协同的方式将业务角色转化为相关的分析。建立业务角色对于大数据分析应用来说只是第一步，接下来IT或者分析专家需要创建相应的算法。但这部分工作并不应该是独立的，起初的查询越准确，那么所需要的开发工作就越少。许多项目都需要持续反复的开发工作，究其原因还是因为项目执行人员和业务部门沟通出现了问题。因此，在项目开发的进程中，我们需要双发协同并及时沟通，以便保障项目的顺利进行。

　　确定一个维护计划。除了项目之前的一些开发工作，我们还需要不间断地注意变更。在业务需求变化之上的日常查询维护固然重要，但毕竟它只是整个分析项目管理的一部分。随着数据集的不断增长以及业务用户对分析过程的不断熟悉，他们对系统的要求也会相应地增加。分析团队必须能够及时地满足额外的要求。此外，在进行软硬件选项评估的时候，其中一个必须考虑的元素就是在不断变化的业务环境中能否支持迭代的开发过程。能够根据需求变化而改变的分析系统，在长时间内都会体现它的价值。

　　牢记用户需求，不是部分用户，而是所有用户。随着自助式BI工具的流行，在大数据分析项目中把终端用户放到考虑范畴之内就显得并不奇怪了。当然，能够应对不同数据类型的IT架构非常重要，但是系统的可操作性和交互性同样是我们需要考虑的问题。这需要我们把不同类型用户的反馈考虑在内，从高管层到操作工，从分析师到统计员都需要能够访问到大数据分析应用，不管是用何种方式。而他们对于工具的接受度，在很大程度上决定了项目成功与否。举例来说，普通员工或者业务经理不需要自己去运行一个大数据分析查询，他们只需要能够访问可视化的报表或者仪表盘就可以了。而分析人员以及IT部门可能就需要一些深入的功能。

　　并没有一种方法能够确保所有的大数据分析项目成功，但是了解一些最佳实践一定能够让你的大数据项目规划变得更加清晰。对于大数据分析的技术问题太过细节复杂，不是一朝一夕能够解释清楚，因此我们在本文中并没有提到技术细节。但技术和业务两方面决定着大数据项目的成败，只注重技术而忽视业务需求将会导致项目失衡，反之亦然。

作者：孙瑞 译

来源： IT168

原文标题：企业部署大数据分析项目成功的秘诀