1.2.4 實踐應用障礙多

大數據行業發展至今，雖然給眾多行業帶來了從內至外的改變，但在實踐運用上，理論技術和商業實踐之間依然存在巨大的鴻溝。在實踐應用方面，主要有以下幾個難點，如圖1-7所示。

1．缺少專業數據分析人才

職業社交平臺領英發布的《2016年中國互聯網最熱職位人才報告》顯示，中國互聯網職業中數據分析人才最為稀缺，其供給指數僅為0.05，屬于高度稀缺類別。

根據上海CPDA授權中心市場運營總監Sherry的分析，在數據化已經成為趨勢的市場中，數據分析將成為未來所有互聯網員工最基本的職業技能，針對大數據分析的人才需求必會越來越大。沒有足夠的人才，大數據行業也就不能得到充分發展。

2．現有數據模型相對陳舊

在大數據行業中，有許多成熟的數據模型得到了實際的應用，但這些模型由于是很久以前發布的，在技術上有許多不再適用的地方。

例如有些金融機構所用FICO評分模型是20世紀80年代提出的，是一種基于邏輯回歸算法構建的評分體系。因為邏輯回歸算法只適用于處理線性數據，因此在面對實際場景中的非線性數據時，FICO評分模型不夠準確。

在互聯網技術日益成熟的今天，大數據模型如果仍舊沿用陳舊的體系必然會在實踐應用中受到阻礙，這也是大數據在實現應用落地時遇到的難點之一。

3．數據建模對場景細分不夠

由于大數據行業技術手段存在瓶頸，在大數據建模上只能模擬出一些較大的分類情況，如果運用在實際應用中，就會出現模型功能不夠細化的問題。

曾有一家汽車制造商決定通過開展一個情感分析項目，將得到的結果運用在指導銷售模式上。情感分析調查項目進行了6個月，前后總共花費了1，000萬美元。項目結束之后，公司對調查結果進行了分析并分享給了經銷商。然而在實踐中，數據分析得出的營銷模式卻被證明是錯誤的。

項目失敗的原因在于數據團隊對經銷商所面臨的具體場景不夠了解，對數據進行建模時場景設定得不夠細致，從而導致實踐應用中數據模型毫無價值。

北京宸信征信有限公司董事長張為斌在接受采訪時表示，數據建模時“不僅僅需要引入自然科學建模，還需要引入基于社會科學的、人文歷史的思考，把這些維度引入算法中”。有些數據公司沒有考慮實際應用場景，直接套用國外的大數據模型，往往會出現功能無法滿足具體場景的情況，這對現有的大數據應用提出了非常大的挑戰。