这个假引擎的工作逻辑是：买搅拌机的人会买床单，买野营书籍的人会买床单，买书的人会买床单。就是如此，床单是唯一的、默认的推荐品。

尽管可笑，这个主意其实并不坏，默认的推荐也能给企业带来销售上的提升。但是，由于大数据相关技能的缺失，真正意义上的引擎未能实现。Sicular表示，这是需要很长时间探索和积累的。尽管过程曲折而漫长，不过不用担心，大数据的推进是有明确阶段划分的，对CIO们来说可以有针对性地加以应对。这些阶段包括：

管理高层表示支持大数据战略规划形成进行各种测试和验证流程上线并不断完善(Sicular称之为战术阶段)投资回报开始显现，企业真正体会到大数据的价值(Sicular称之为战略阶段)技术领先的企业开始构建真正的数据产品(Sicular称之为转型阶段)

　　数据分析本身的失败

5、对数据过于相信。2008年，Google第一次开始预测流感就取得了很好的效果，比美国疾病预防控制中心(Centers for Disease Control and Prevention)提前两礼拜预测到了流感的爆发。但是，几年之后，Google的预测比实际情况(由防控中心根据全美就诊数据推算得出)高出了50%。“媒体过于渲染了Google的成功，出于好奇目的而搜索相关关键词的人越来越多，从而导致了数据的扭曲。”Sicular说。

因此，CIO在拿到数据之后，应该从不同角度进行加以审视，确保对数据的来源、验证方法、控制手段以及是否有脏数据等问题都能胸有成竹。

6、提出了错误的问题。一家全球领先的汽车制造商决定开展一个情感分析项目，为期6个月，耗资1千万美元。项目结束之后，该厂商将结果分享给经销商并试图改变销售模式。然后，所得出的结果最终被证明是错误的。

“项目团队没有花足够的时间去了解经销商所面临的问题或业务建议，从而导致相关的分析毫无价值。”Sicular说。

对此，Sicular提到了决策分析中的“满意度(satisficing)”模型 -- 即放弃对最优结果的偏执，基于具体的情境，找到足够好的解决方案。“耐下性子，去真正理解问题以及企业可能从中获得的收益。”Sicular解释说。

7、应用了错误的模型。为了寻找可供借鉴的案例，一位在银行工作的博士研究了其他行业的大数据成功应用。最终，他的目光落在了电信行业的客户流失预测模型上。

该银行从电信业聘请了一位专家，后者也很快构建了评估用户是否即将流失的模型。Sicular表示，当时已进入评测验证的最后阶段，模型很快就将上线，而银行也开始准备给那些被认为即将流失的客户发出信件加以挽留。但是，为了保险起见，一位内部专家被要求对模型进行评估。

这位银行业专家很快发现了令人惊奇的事情：不错，那些客户的确即将流失，但并不是因为对银行的服务不满意。他们之所以转移财产(有时是悄无声息的)，是因为感情问题 -- 正在为离婚做准备。

了解模型的适用性、数据抽象的级别以及模型中隐含的细微差别，这些都是非常具有挑战性的。“这是大数据分析的关键之一。”Sicular表示。为了大数据项目的成功，CIO还必须从道德、伦理和心理的角度进行思考。

(责任编辑：安博涛)