（3）第三問：我是否清楚大數(shù)據(jù)應(yīng)用的局限？
現(xiàn)階段，大數(shù)據(jù)應(yīng)用面臨諸多挑戰(zhàn)，新技術(shù)泛型下標準的大數(shù)據(jù)應(yīng)用體系尚未建立，技術(shù)復(fù)雜度和風險較高，成功案例和最佳實踐缺乏。很多企業(yè)和機構(gòu)都知道大數(shù)據(jù)潛力巨大，但卻不知如何著手，更不清楚大數(shù)據(jù)應(yīng)用有哪些局限和潛在的問題。伯克利的Jordan教授是機器學習領(lǐng)域大牛，他提出了一個很好的比喻：如果大數(shù)據(jù)給出的結(jié)果可靠性低，沒有經(jīng)過充分的驗證，就急于應(yīng)用到實際業(yè)務(wù)中，會面臨很大的風險，就好比是土木工程都沒學好就開始造橋，結(jié)果只能造出“豆腐渣工程”。所以我們要充分了解大數(shù)據(jù)技術(shù)的局限性，數(shù)據(jù)采集的不全面必然導致數(shù)據(jù)偏見，數(shù)據(jù)質(zhì)量的問題會導致GarbageInGarbageOut，我們對分析結(jié)果的不理解，或者不進行持續(xù)反饋驗證升級，就無法確認模型的準確性和穩(wěn)定性，另外《大數(shù)據(jù)時代》一書中所說的關(guān)注相關(guān)性不重視因果分析，也會導致一系列問題。數(shù)據(jù)科學發(fā)展到現(xiàn)階段，從某種程度上講還不是一個足夠嚴謹?shù)膶W科，我們有一定的概率做出準確的預(yù)測，但是使用不當或預(yù)測不準，又會造成不好的后果。顯然Jordan教授很擔心現(xiàn)在公眾對大數(shù)據(jù)技術(shù)的熱情，并不是基于對這個領(lǐng)域的深入理解，但是他堅信大數(shù)據(jù)領(lǐng)域未來會誕生很多重要的應(yīng)用，就像AlphaGo系統(tǒng)花一晚時間，自我學習幾百萬盤棋才戰(zhàn)勝李世石，對于新興技術(shù)，我們不能高估它但更不能低估。鑒于此，我們需要對大數(shù)據(jù)的數(shù)據(jù)質(zhì)量及技術(shù)偏差等做更細致的考察和評估，搞清楚大數(shù)據(jù)應(yīng)用技術(shù)所面臨的限制及問題，才能走得更穩(wěn)更遠。
（4）第四問：我是否準備好打一場大數(shù)據(jù)應(yīng)用持久戰(zhàn)？
我在《大數(shù)據(jù)應(yīng)用從小做起？談微服務(wù)和大數(shù)據(jù)架構(gòu)》一文中有提到過，大數(shù)據(jù)項目如何頂天立地：立地就是要落實到一個個要解決的具體問題，基于業(yè)務(wù)和數(shù)據(jù)驅(qū)動；頂天就是要規(guī)劃得目標長遠，大數(shù)據(jù)系統(tǒng)不是搞一錘子買賣，沒有一勞永逸的做法。特別是大型企業(yè)、機構(gòu)或政府的大數(shù)據(jù)系統(tǒng)，一定不能是傳統(tǒng)MIS系統(tǒng)的做法，大數(shù)據(jù)是個動態(tài)增量系統(tǒng)，數(shù)據(jù)規(guī)模在變，業(yè)務(wù)在變，模型在變，參數(shù)在變，核心技術(shù)模型的迭代、優(yōu)化、持續(xù)升級及交付將是常態(tài)，長期目標應(yīng)該是智能化的綜合管控，從企業(yè)的生產(chǎn)、產(chǎn)品、銷售、服務(wù)各個環(huán)節(jié)的一體化智能管控中心，政府各部門聯(lián)席的智能服務(wù)和決策中心，好比GoogleBrain,BaiduBrain，大型企事業(yè)單位和政府也需要未來的數(shù)字決策大腦。從某種程度上講，大數(shù)據(jù)的關(guān)鍵不在于具體項目，而在于數(shù)據(jù)決策中心的持續(xù)優(yōu)化與運營，大數(shù)據(jù)系統(tǒng)建設(shè)要作為一個長遠的事業(yè)來做，讓每個成員都融入大數(shù)據(jù)管理思維變革過程中。我在《說說敏捷大數(shù)據(jù)》一文中提出了“快、小、證”大數(shù)據(jù)應(yīng)用原則，對一個具體的大數(shù)據(jù)項目來講，能做到快速出原型，小分析點切入，證明有效之后再擴張的原則，就不用懼怕失敗，失敗后切換到下一個分析目標即可。由于大數(shù)據(jù)項目前期的實際投入成本遠遠大于收益，這就更需要精耕細作，打一場大數(shù)據(jù)應(yīng)用持久戰(zhàn)，可以從小處著手，逐步構(gòu)建統(tǒng)觀全局的分析鏈，從而建立組織未來的大數(shù)據(jù)中心和基于大數(shù)據(jù)分析的輔助決策大腦。
（5）第五問：我是否了解大數(shù)據(jù)風險與數(shù)據(jù)偏見？
大數(shù)據(jù)時代，信息意味著權(quán)利，不同層級的信息代表不同層次的權(quán)利。這使得大數(shù)據(jù)集中之后也面臨著技術(shù)風險、成本風險、安全風險和管理風險等多個層面的問題，每個層級玩家面臨的風險各有側(cè)重，需要充分引起重視。大數(shù)據(jù)處理基于全新的技術(shù)泛型，新技術(shù)生態(tài)下技術(shù)本身的穩(wěn)定性、成熟性、擴展性等有風險；隨著數(shù)據(jù)爆炸增長需要存儲、計算包括電力等資源的持續(xù)投入，面臨成本風險（所以才有云計算的需求）；面對大數(shù)據(jù)信息權(quán)的誘惑，黑客們的犯罪動機也比以往任何時候更強烈，黑客組織性更強，更加專業(yè)，敏感數(shù)據(jù)入侵風險急劇增加；在數(shù)據(jù)管理方面還需要面對數(shù)據(jù)缺失（大數(shù)據(jù)的分析在于全量分析，任何一方面的數(shù)據(jù)缺失，都會讓算法產(chǎn)生偏見）、數(shù)據(jù)質(zhì)量低下、被操控的假數(shù)據(jù)（如水軍刷榜）等方面的問題。
（6）第六問：我是否理解并能貫徹大數(shù)據(jù)思維？
大數(shù)據(jù)時代，數(shù)據(jù)驅(qū)動決策是我們的必然選擇，畢竟事實勝于雄辯，數(shù)據(jù)能最大限度地說明問題，數(shù)據(jù)能讓你了解一些以前根本都不知道的事情，除了本身質(zhì)量的問題，數(shù)據(jù)不會說謊，通過大數(shù)據(jù)挖掘進行量化分析有助于精細化管理和運營，這是大數(shù)據(jù)思維的核心所在。不管是企業(yè)、機構(gòu)還是政府，在做大數(shù)據(jù)規(guī)劃或應(yīng)用之前，先問問自己，組織人員理解數(shù)據(jù)決策嗎？大數(shù)據(jù)能為他們帶來怎樣的好處？各級領(lǐng)導有沒有大數(shù)據(jù)決策基因或者這種思維變革的驅(qū)動力？所以從數(shù)據(jù)決策角度講，未來大數(shù)據(jù)思維在各行各業(yè)的滲透和如火如荼的大數(shù)據(jù)系統(tǒng)建設(shè)不亞于一場數(shù)據(jù)爆炸時代的管理變革“啟蒙運動”。這場運動由互聯(lián)網(wǎng)企業(yè)發(fā)起并逐漸繁榮，當大數(shù)據(jù)思維在傳統(tǒng)企業(yè)、機構(gòu)和政府普及并落地應(yīng)用之時，很可能就是通用人工智能時代的開始。