数据分析项目的建设不仅需要克服一般软件项目的常见风险，而且数据分析项目由于以下两个原因，相对一般面向操作层、管理层的信息系统而言具有更大的风险。
软件项目都存在着这样那样的风险，这是由软件项目的创造性本质决定的。随着我国各部门、各行业信息化建设的推进，面向操作层和管理层的各种运营支撑系统、管理信息系统正逐步建成和走向完善。在积累了较丰富的信息化经验和数据后，面向决策层的各种数据分析系统越来越受到重视。
数据分析项目的建设不仅需要克服一般软件项目的常见风险，而且数据分析项目由于以下两个原因，相对一般面向操作层、管理层的信息系统而言具有更大的风险：
1. 数据分析系统通常是面向决策层为主，受核心领导的个人习惯、工作作风、知识背景影响较大，在系统范围和系统性能方面存在着很多不确定性因素。
2. 数据分析系统，特别是各种数据挖掘系统，需要依靠数学模型。而对数据模型的应用需要系统分析，设计人员应具有较好的数学背景知识，同时对所分析的行业业务非常了解。而这些往往又是以数据仓库为基础，对计算机软硬件技术要求很高。
在本文中，作者将根据数据分析项目的特性，结合自身的工作实践，重点讨论数据分析项目的风险识别、风险分析和风险应对。
风险识别
由于数据分析项目的需求在开始常常是模糊的，而数据分析技术又是非常复杂的，因此数据分析项目都具有较大风险，国内国际许多决策分析系统、客户关系管理系统的失败都证明了这一点。这就需要组织层和项目经理在实施数据分析项目时更加注重风险管理。在项目的启动，也就是策划阶段注重进行项目风险分析，做好风险管理计划。采用相关的分析工具和分析手段，根据项目的本身特点、范围估计、技术条件、历史数据做好风险值的分析。在项目实施过程中，不断地、持续地监控风险的变化，努力规避、消除风险。
在具体的风险识别过程中，我们要重点注意以下风险：
1. 需求不确定性的风险;
2. 决策层沟通障碍的风险;
3. 分析技术路线的风险;
4. 其他风险。
风险规避
风险分析活动分析的目的在于建立处理风险的策略。一个有效的策略最好能规避风险。而风险规避的最好方式是把风险控制在项目启动阶段，把项目损失减小到最小程度。根据本人长期负责数据分析的项目经验，以上三大数据分析项目风险可以采用以下措施规避或减小：
1. 项目经理同客户最高决策层拥有畅通的沟通渠道;
2. 项目开发模型采用迭代模型;
3. 审慎运用尚处于研究阶段的分析技术与模型;
4. 层次较高、结构合理的项目组织结构;
5. 多参考专家意见。
由于数据分析项目中数据建模、数据重组、样本设置等对技术要求比较高，而聚类分析、神经网络、决策树、数理统计、时间序列分析等又是开发性的计算机或数学问题。所以数据分析的结论、综合解释、评价数据、知识探索、模型调优等，还是要依赖行业专家。
一个项目组的技术力量毕竟有限，所以数据分析项目的开发一定要多进行专家评审，多参考专家意见。并对专家意见进行汇总，及时地通知客户及其它干系人，采用“光环效应”影响客户，增强客户对项目方案、项目技术的认可程度并保证项目的成功。
风险分析
前述数据分析项目的三大风险对项目的影响都是非常大的，如果按定性的风险分析方法，影响都是“高”级。如果按第一项计算影响性，分值都在0.8以上。
需求不确定性风险还会导致项目进度、成本、质量、资源、合同等相关风险，使项目处于失控状态。在实际工作中，我们多次遇到项目都快要收尾了，依然出现客户领导对系统提出“在客户分析方面需要拔高”、“在经营指标分析要加强体现X部长讲话精神”之类模糊不清的需求。
决策层沟通障碍风险容易使最终决策领导对项目期望保留在项目竞标阶段，理想而抽象，项目组不能真正理解领导的需求，甚至无所适从，大量工作“跑题”浪费，使时间和成本的投入成倍增长。
技术路线风险可以直接导致项目失败。项目的目标、范围超过了项目组所选技术。所选产品号称拥有而实际并不成功的分析模型，项目组自身对产品并不熟悉，无疑会使项目处于毁灭性的风险中。像某国家级银行采用SAS和Cognos实现的全国性信贷分析系统几乎无法使用就是典型案例。
(责任编辑：)
