大數據單從字面意思似乎不難理解，可以認為是海量級的數據，但是在這海量級的數據究竟意味著什么，這在很多業內外人士的概念里還純在著一些認識誤區。

　　大數據誤區一：只要大就好

　　如今，很多人提起大數據，如果不提上幾嘴“日處理數據量XXGB，上傳圖片XXGB，并發數XXX”“Hadoop集群擁有XXXX節點，總存儲XXPB”諸如此類的技術語言，都很怕別人覺得自己不專業。但是，難道真的只有數據大了，才能達到大數據的登峰境界?才能數人合一地達成大一統的目的?

　　馮曉杰表示，數據如果僅僅是大那是沒多大用處的!就好像資金的意義在于如何使用周轉一樣，數據大了，但不使用，讓它孤零零地偏安機房一隅，那它就不是大數據了，而是有點“敗家子”的意思。

　　比如不少傳統的門戶網站，基本上就處于“坐擁金山卻無福消費”的境況。每天上億的用戶量，卻只是簡單的廣告呈現，沒有通過對數據的分析產生更多價值。

　　大數據誤區二：只有技術大牛才懂大數據

　　雖然很多人口口聲聲離不開大數據，但是真問他到底懂多少時，其中一部分人可能會說：“我就是懂些皮毛，真正技術層面的大數據我也不懂，你還是問那些技術大牛去吧，他們才真懂。”

　　專家表示，其實這樣的觀點并不全對。比如諸葛亮很懂兵法，他知道該在哪里擺陣，該在哪里伏兵。但是，他不必知道關羽是如何耍大刀，也不必知道張飛的丈八蛇矛在打仗時是扎還是砍。

　　其實，對于大數據的應用更多的是一種戰略能力，而非細節的執行技能，這種能力是可以幫助決策者能從無盡的數據里看出商機看出價值，從而為企業帶來更高的利潤。而作為決策者并不用太關心在技術細節層面，大數據到底怎么技術生成，又是如何理順提升用戶體驗的。

　　大數據誤區三：是個公司都得上大數據

　　專家表示，雖然大數據固然是個香餑餑，但不是所有人都能消化得了，或者說并不是所有都有上大數據的必要，而是要衡量企業的現狀，看清楚主次矛盾，或是要考量好投入產出的回報率，大數據并不是適合所有企業的現狀。

　　比如，對于中小型網站來說，一上來就盲目追求先進“高大上”的技術架構，那就有點“宰牛刀殺雞”的意思。對于這類網站，首要考慮的是商業運作模式和推廣，只有等到用戶量飚升后，再去考慮技術升級這種大事兒。

　　再比如，在GMIC上，Evernote的CEO Phil Libin就明確表明不帶大數據一起玩兒，自己產品的商業模式就是向用戶收費，讓他們甘心為產品體驗付費。

　　馮曉杰舉例表示，如同一個雙選題：A.日登陸用戶1000人，架構完全參照美國亞馬遜從不宕機;B.日登陸用戶10萬人，每天因為高并發不得不宕機三次。你會選什么?

　　大數據誤區四：我就要海量數據

　　自從大數據概念火了以后，不少企業在遇到問題的時候，總是會情不自禁的就會想到“是不是我的數據量不夠?”“是不是如果有了海量的大數據就能變得更好?”其實，這又是陷入了一個誤區。

　　這又回到了大數據價值和金錢價值的類比概念上。比如用搜索引擎搜索一下“存款貶值”，那么很快就可以發現類似這樣的信息：“五十年前的百萬變13塊”，“一萬元存一年賠19元”，顯然，不流動的錢，是越放越沒有價值，而基數越大，可能導致的損失就越大。

　　金錢如此，大數據亦然。只有像比特幣玩家們一樣，不停地使用數據，并以無比的熱情挖掘數據背后的關系和價值，才能如滾雪球一般，使數據之間的相互關系更豐富更完善。同理，對于企業的大數據來說，只有充分利用大數據，讓大數據充分流動起來，不斷的實現增值效果，那么才有機會更大的釋放大數據的能量。

　　因此，專家指出，對于企業決策者來說，看待大數據必須有一個清醒的認識，當在腦袋發熱準備花大價錢上大數據之前，都一定得先想明白透徹了：“我真的需要大數據嗎?大數據真的能為我所駕馭嗎?