每一個做過調研的人，都會驚訝于中美兩國在大數據分析理念和客戶心態上的巨大差別。

[[149048]]

“企業數據分析，中美在理念方面相差2-3年，而在實際執行層面或許有5年左右的差距。”美國數據分析科學家、Taste Analytics創始人及全美五大可視化研究中心的Derek Wang（汪曉宇）博士表示。

目前，國內的企業級客戶在進行大數據分析時，仍以分析結構化數據為主，而對于內涵豐富的非結構化數據，市面上并沒有有效的工具進行分析。

同時，在進行結構化數據分析時，仍采用了“招標＋外包”的傳統模式，即需要大數據分析服務的企業按照歷史經驗首先建立自己的數據分析KPI（關鍵績效指標），然后將整個數據分析任務外包給第三方大數據公司，經過數月的時間后，大數據公司將數據分析的結果返還給甲方企業。

Derek Wang博士表示，這種數據分析的模式，會產生以下幾方面的問題，這些問題也正是目前國內的CIO/CTO們頗為頭痛的問題。

首先，錯過了內涵豐富的非結構化數據。相比結構化數據，非結構化數據對企業同樣重要，而目前，國內企業在進行非結構化數據分析方面仍在初始階段。

第二，KPI非數據驅動生成，缺乏科學性。國內大數據KPI的制定常常以人為經驗為準，而不是由數據驅動并且實時生成的，這就有可能造成KPI常年不變，并且缺乏科學性。

第三，數據分析過程冗長。國內企業在進行大數據分析時采用“招標－乙方返還數據分析結果”的方式，整個周期少則也需要1-2個月的時間，往往返還回結果時，企業內部的相關數據已經完全改變了。

第四，浪費了企業內部的分析師資源。采用外包的方式，其實完全浪費了企業內部的分析師資源，從經濟效益上很不劃算。

第五，數據安全性無法保障。外包的另一個問題就是數據的安全性問題，企業想確保數據以安全的方式交予第三方大數據公司，往往需要耗費額外的時間和經濟成本。

第六，數據分析結果不能與企業經濟效益直接掛鉤。國內企業在進行數據分析時，不僅往往需要數月的時間，而且常常為了分析而分析，分析完之后并不能很好地將分析結果運用到企業經濟效益的改善上。

第七，第三方大數據公司分析能力有限。企業看似將數據分析的重任交予了第三方公司，但第三方公司由于缺乏動態、數據驅動的數據分析工具，它其實也是在按照經驗制定KPI和進行數據分析，這樣分析出的結果難言科學有效。

對此，業內受訪專家表示，目前國內企業陷入的數據分析困局，一部分是理念問題，而更多的是技術的制約以及工具的缺乏。“比如對于非結構化數據，其實每個企業都是非?？释治觯⑶蚁Ｍ麑崟r分析的，但目前仍苦于在公開市場上沒有好用的分析平臺。”