但是，隨著企業收集更多數據，試圖保存數據和收集有用的見解的成本變得越來越高，因為數據對人們的大腦和電子表格來說數據量太大。企業管理人員發現自己的數據不盡人意，因為他們低估了大數據規模上的挑戰。

 

大數據應該會改變企業的運作方式，這意味著存儲和分析數據的傳統方法已經不適應要求。必須實施新的做法來應對日益增長的數據流入。

 

 

企業界和分析家都喜歡談論“大數據”的革命思想，但企業自文明誕生以來一直在使用數據來得出結論。那么究竟如何使大數據?

 

如果你的答案是收集龐大的數據量的話，那么就錯了。簡單地收集大量數據并將其存儲在某些存儲庫中是無意義的。事實上，這對企業業務是有害的，其原因是具有存儲額外的無用數據的成本，數據泄露的風險，或持有大數據的法律和財務風險的成本。

 

大數據的關鍵優勢不是數據量，而是從中進行分析。因此，專家更喜歡“大數據”這個術語，并且更喜歡“智能數據”。這個想法應該是找出收集哪些數據，為什么是必要的，而不是思考“這個數據集可能在某種程度上在未來有用。”

 

因此，企業處理日益增長的數據的第一步是詢問自己是否需要所有這些數據。應該收集哪些數據，所以可以回答一個問題，例如客戶偏好或最好的購物時間，而不是僅僅為了收集。

 

 

即使在消除了浪費和不必要的數據后，企業的業務仍然可能會有更多的數據，而不是由工作人員能夠進行處理，或者可以在Excel電子表格中使用。這意味著任何數據必須進一步分解成更易于管理的子集。

 

憑借統計和分析的力量，企業的業務不會通過使用數據信號增強器，并將其分解成更小的子集而失去了更多的洞察力。例如，如果企業有一百萬或一千萬個人員姓名或數據，那么隨機樣本數量可能會達到數千或者上萬個，這可能會加強調查數據所顯示出的趨勢。這就是投票背后的原則，其目的是通過隨機抽取幾千人來分析3億美國人的政治觀點。并且通過從較大的數據池中創建樣本后，企業可以查看結果以得出最終結果，并且還可以檢測該池中存在的錯誤。

 

查看多個較小的隨機信息子集，而不是一次查看所有數據，是發現趨勢，收集有用分析，以及改進整體數據的一種更有效的方法。

 

 

使用智能數據面臨的一個主要挑戰是確保企業領導人和技術專家對公司的大數據戰略保持一致。在構建最好的基礎架構來管理更多數據時，通信的重要性是最重要的。

 

創建這么多數據實際上已經消除了傳統的方法，一家公司可以將所有相關數據保存在自己的集中式服務器上。基于云教育處的服務器或像Hadoop這樣的虛擬化軟件對于如何存儲數據來說是一個很好的答案，但是數據專家必須能夠向業務領導者更好地展示，因為他們可能對更新基礎設施的必要性背后的所有數據一無所知。

 

還有更多的是基礎設施。每個業務領導者都知道大數據的重要性，但是他們可能不明白這不僅僅是收集大量數據。通過向他們展示基礎設施需要如何更新和帶來的好處，企業的領導層可以更加重視大數據的風險和收益。

 

 

采用大數據也會有很多缺點，無論是由于企業無法處理這么多數據還是安全漏洞的風險增加而導致業務癱瘓。這使得企業了解如何擴展和適應這種增加的數據更重要，無論是通過改進基礎架構還是刪除不必要的數據。

 

但是，通過將更大的數據集分解成更易分析的數據，數據專家可以收集有用的信息，并迅速滿足客戶和企業領導者的需求。這需要強有力的溝通和新技術。