客戶部分：1.投入與產出比，不划算

程式設計人員：1.懂行的太少，要麼技術懂，要麼業務懂，綜合的少

大資料哪個部分的內容也不難接受，但是大資料是一個產業鏈問題，主要是資料生產，資料流轉，資料應用，容易忽視的，是資料流轉授權，難點是資料生產和匯聚，閃光點是資料應用，這也是最貼近生產生活的展現層面。大資料需要一盤棋發展，從國家層面，到區域層面，再到小區域中心，分三級發展是最科學的，目前也是這麼規劃的，但是遵照執行方面似乎還有問題，說來說去，大家都想在資料黑洞邊上，撿點殘渣剩飯

大資料技術學起來有一定難度，尤其是學習平臺知識這部分，對於大資料的學習，需要做好心理準備：

一、首先要抱著學習的心態

什麼事學習的心態呢？不要想著自己學不會、很難學、學不懂這些，任何事情，只要你付出努力就會收穫回報，所以說要有一顆良好的學習心態。

二、你要知道什麼事大資料技術

簡而言之，從大資料中提取大價值的挖掘技術。專業的說，就是根據特定目標，從資料收集與儲存，資料篩選，演算法分析與預測，資料分析結果展示，以輔助作出最正確的抉擇，其資料級別通常在PB以上，複雜程度前所未有。

大資料開發需要學習什麼？大資料平臺是什麼？

https://www.toutiao.com/i6710116016053027332/

大資料哪個部分的內容比較難接受？

人們最期待的大資料的地方也就是大資料最難讓人接受的地方，比如資料分析。在大資料分析之下一方面可以發現很多以前無法發現的知識和規律，一方面也讓個人隱私無所遁形。

據說Google的大資料分析已經可以做到，即使你換臺電腦，也能分析出來你是誰。

本次疫情使用大資料分析也能判斷出人們提交的資料的真偽，及時發現並預防很多問題發生。

如同疫情在改變我們的生活，大資料也在悄無聲息的影響著我們，在我們感到越來越便利的同時也在失去著什麼。

在人工智慧時代，大資料是基礎，資料價值得到了體現，當然，大資料細分有很多技術方向，如果要想進入這行，要對大資料整個行業都有一定的瞭解。

在大資料後面，有一個內容是資料探勘，資料探勘是對海量資料進行過濾，計算，分析後，得到資料後面的價值，這要求對一個人的程式設計，演算法都要有深入的理解。

你是指客戶難接受嗎？

其實大資料是對大量資料治理的技術和產品

我個人覺得，最難接受的，是客戶花了錢購買了大資料產品後，沒有感知。

但是，大資料平臺就是沒有什麼明顯感知的產品。

所以，客戶需要感知，然後各種廠商就做資料視覺化，各種圖表。沒有什麼實際用處。

客戶就抱怨大資料平臺沒用。其實，是資料沒有被利用，這根大資料平臺這個部分的建設是沒有太多關係的，這部分建設是為了更好地利用資料，做基礎建設的。

提這種問題不知道如何從哪個緯度去回答。

是技術方面，還是業務方面還是什麼。

另外不要神話大資料，只是一種處理事物的技術而已，沒有什麼難的。如果非要找個難度大的，那就問問自己非要用大資料技術嗎？

也對也不對，問題困難分兩種，一種是原理上就不知道怎麼做，屬於科學技術上的困難；一種是雖然知道原理，但是規模太龐大，屬於工程上的困難。大資料的困難屬於後一種，如果沒有計算、儲存、網路資源的限制，那麼模型本身基本都是成熟的；但困難就在於規模。這就好比，堆一個小土坡不困難，但堆一個金字塔就困難了，雖然兩者的原理沒有太大的不同。

規模導致的困難主要是分散式的要求，因為單機不足以在合理的成本和時限中處理完所有的資料。詳細來說就是：

1. 並行化：問題首先要改造成適合並行的方式

2. 合理的資源調配：最基本的就是同一個任務的儲存和計算資源要足夠近，儘量少使用網路頻寬。

3. 容錯：使用機器數量增加之後，硬體整體可靠程度指數下降，必須保證在一部分硬體出錯的情況下不影響最終結果的完成和正確性。

沒有足夠樣本時候的分析是另一種方法，很多時候是原理上就沒有什麼好辦法的，和大資料的困難不同。

說也不對，是因為這兩種困難沒有什麼可比的，沒有高下之分，都很困難。

另外，現在大資料的外延比較廣，不僅僅是從海量樣本中提取出少量統計結果或模型引數，也經常需要進行大量個性化的統計，每個統計能使用的樣本不一定都足夠多，因而大資料也不見得和小資料是完全對立的，也可能有重疊的時候。