我跟许多高级管理者谈话时，常会听到有关大数据（big data，或译「巨量数据」）项目的错误观念，也对这类项目的成功因素有不少误解。为了厘清观念，并协助人们更了解大数据计划成功因素，我提出下面的看法。我观察了一些运用大数据项目而创造重大业务价值的公司，下面那些那看法就是我观察之后的心得。
技术工具：许多组织对大数据项目的一个常见错误观念是，认为大数据的项目，就只跟专门处理大数据的技术工具有关，例如Hadoop、Python、Pig、Hive等。这些工具对大数据项目来说的确重要且有用。但是，除非你的公司还处于初创期，否则很可能有一些既有的工具和技术可用。我最近进行的一项有关大数据计划的研究，那些计划使用的是天睿公司（Teradata Aster）之类企业提供的「数据探索」（data discovery）平台。我发现，企业可以使用SQL等现有的程序语言，来设计大数据的应用软件。我也发现，原本就有数据仓储环境的公司，实施大数据项目来创造价值的速度，会比没有数据仓储环境的公司更快。你现有的分析工具，比如SAS、SPSS,、R等，对处理大量数据来说，也很有用。
专业人才：既有的技术工具可以沿用，同样的，你也不需要雇一批全新的人。我访问的那些进行大数据项目的大公司表示，他们并没有大规模地招募博士级的数据科学家，而是组成一些团队，成员包括拥有量化、计算机或商业等方面专业的人。他们的确发现，部分项目成员需要接受大数据相关技术的训练，例如Hadoop和脚本语言（scripting languages）。但从大数据项目所需之人才的观点来看，他们程度并不是糟到不能用的地步。
良好的变革管理：项目要成功，变革管理是关键。尽管有些人可能会认为，就大数据工作而言，技术挑战会比人方面的挑战更大，但情况不见得是如此。许多大数据项目都牵涉到「规范分析」（prescriptive analytics），也就是告诉在第一线的员工该如何进行工作的算法或自动化系统。为了这类目的而运用大数据的一些公司，比如UPS用ORION项目来规划快递运输的路线，或是施奈德物流公司（Schneider National）运用油箱侦测器的分析数据和全球定位数据，来指定司机加油的地点。这些公司的项目经理，都向我强调变革管理的重要性。上述两家公司所用的应用软件，都会大幅改变司机工作的方式，而且那些软件提出的建议，必须要正确、值得信任，否则司机就不会采纳。
清楚的商业目标：一般人都以为，大数据项目的主要就是过滤一大堆数据数据，从中找出可能的关联性。这件工作的确很重要，但若公司心目中并不清楚想要解决什么商业问题，这件工作就会流于漫无头绪的数据搜集。举例来说，电信公司T-Mobile和Vodafone运用大数据的分析工具，在顾客和网络数据纪录里四处搜寻。若心里没有明确的商业目标，这计划就会变得不着边际：目标就是降低顾客流失率。有了这个目标，Vodafone澳洲分公司在几周内，就能够找出并解决了一些造成顾客流失的网络问题。
良好的项目管理：有高级管理者支持这类项目是不是有帮助？当然是如此。项目经理是否应该跟利害关系人好好沟通？那当然。这些都不让人意外，不过大数据的技术复杂性（以及执行者对技术面的重视），可能不容易争取到高级管理者和利害关系人的支持和参与。
诚然，除了好的项目管理技巧，以及上述的其他因素，你还需要一些好运气。大数据项目往往都涉及新的技术、新的开发方法，而且本来风险就比较大。如果你用大数据来进行数据挖掘或探索，失败偶会发生，但若你能从失败中学习，那就不是什么大问题。大数据项目仍较偏向是在做研发，而非产品应用。然而，组织若能够运用一般的项目管理智慧，加上前述的建议，就能提高成功的机会。