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。