1.大数据实施情况

与Logan意见相冲突的是，微软调查显示，75%的大中型企业将在未来的12个月内实施大数据相关的项目或计划。对此，Logan对该调查的动机和数据都持怀疑态度。

她表示，大数据分析公司的盈利来源于企业越来越多的数据，企业的数据越是非结构化、杂乱无章，大数据的作用才能发挥的更淋漓尽致。

一些组织在大数据领域已经取得一定进展，尤其是零售行业，通过RFID、供应链、会员卡上的海量数据，挖掘出更多有价值的信息，帮助商场更好的运营和盈利。此外，网络和广播行等媒体业也是大数据的先锋用户，例如BBC，就利用大数据分析平台实现用户访问数据分析与优化。

他特别提到，由于银行产生的数据更有组织更结构化，因此银行反而不是大数据先锋领域。不过银行业在大数据领域也积极跟进，例如通过对资金流、结算、 信贷、支付等过程产生的数据进行分析，增强客户粘度和挖掘大数据的价值。他们也想了解hadoop，了解这样的技术架构以及如何进行数据分析，但还处于早 期阶段。

2.大数据的基础设施投资误区

Gartner数据显示，2013年年底，有关大数据的项目支出将达到340亿美元，其中大部分与大数据的基础设施投资有关。

Logan表示，除了零售和媒体行业，不应让大数据基础设施投资成为企业商业计划的核心部分。她也希望企业的投资计划更多的倾向技术人才，例如聘请数据科学家或者数据分析团队，而不仅仅关注IT基础设施的投入。

很多企业都在努力让大数据的投资带来更多的商业利益，但在很多的情况下，太多的信息不受控，也并不一定能带来与之匹配的效益。因为大多数用户有一个 很奇怪的心态–不舍得丢任何东西，企业在删除数据时也举棋不定。但有些数据并不能产生价值，反而会带来投资浪费。企业如何站在专业的角度，对数据进行有效 取舍？

大数据存储和处理的成本实在是太高，因此通过第三方获取大数据服务显得更有意义。通过租用第三方的基础设施，企业可分析海量数据，并基于此优化自身业务流程，这种模式的服务，企业何乐不为？

3.大数据的人才挑战

大数据眼下面临的最大挑战就是缺乏具备独特的技术能力或专业知识的人才储备。

大数据的绝大部分数据都是原始数据，它们不能直接读取和分析，需要一些要具备特定的技能的分析师进行基于预言建模或未来趋势分析。

只有借助精通于统计和数学原理的骨干专家，建立高级分析模型，才能发现趋势和隐藏的模式，使大数据真正发挥作用，而一般的开发者以及传统的数据分析师，并不具备开发预言分析应用程序模型的技能，因此需要花费一定的时间和精力使技术团队成员适应大数据的需求。

Logan戏称，目前真正懂得大数据的人目前也许在欧洲核研究中心，以及一些天体物理学应用研究的专门机构，因为这些科研机构产生的数据更海量，这里的科学家们也具备更专业的统计、建模、分析能力。

Logan表示，目前有不少企业正在试图通过咨询公司获得更多专业帮助，但苦于缺乏专业的分析人员，只能自己慢慢摸索。而普通分析师与专业大数据科学家之间的技能储备差距，对市场而言是挑战也更是机遇。