數據挖掘的奇跡之所以與機器學習息息相關，是因為計算機學習算法，利用已有的數據來預測未知。大數據分析只是互聯網發展到現階段的一種表征或特征，沒有必要對其神話或保持敬畏。在以云計算為代表的技術創新背景下，這些原本難以收集和使用的數據變得容易被利用。那么大數據分析受哪些因素影響呢？
1.數據存放位置不正確：部分公司把數據發給外包商儲存以為就省心了，然而事實上這些數據到了外包商手里就會變成其他形式，最后轉化回來還需要花費不少工序，可以說是花錢買受罪也不為過。另外通常這些數據是宣傳造勢活動時期自身網站或者產品的相關數據，通過結合日常運營數據我們就可以挖掘哪些活動促成了用戶轉化。要知道結合日常運營數據來分析用戶使用歷程的方式是非常重要的，但部分公司仍然將日常運營數據與活動數據分開來存放分析，其結果會嚴重妨礙公司對數據的正確理解和作出正確的決策。
2.忽略產品數據的分析：部分初創公司開發人員由于急于產品的開發往往會很容易忽略以下幾個數據分析：用戶對產品的具體使用細節；產品在哪些場景怎么被使用；產品的哪些部分被使用；用戶二次使用產品的原因。一般來說這些問題如果沒有數據作為支撐開發人員對用戶作出的疑問都會難以回答，其造成的結果是用戶不再使用該產品，最終造成該項目產品開發的失敗。
3.框架設計不合理：一般來說一個好的數據分析框架在設計的開始都要考慮到要長期使用的需要。雖然說我們可以隨時調整框架，但隨著數據越積越多需要做調整的代價就越大，而且在做出調整后還需要同時記錄新舊兩套系統來確保數據不會丟失，時間久了不但大大降低工作效率還很容易出錯。因此在設計的開始我們最好把框架設計好，而其中一個簡單有效的方法就是我們把所有能獲取的數據放在同一個可延展的平臺，我們只要確認這個平臺可以裝得下所有將來可能用到的數據且跨平臺也能運行起來就可以了。通常這樣的原始平臺能至少支撐一到兩年。
4.忽略成員對數據的理解：在實際的數據分析中，一部分公司以為把數據提交給Mixpanel，Kissmetrics、Google Analytics等進行分析就萬事大吉了，但事實上卻忽略了團隊中的成員能真正解讀這些數據的內在含義，其結果只會導致產品團隊盲目的繞開用戶需求開發新產品，盡管有時能取得成功但也是對用戶的真正需求并不了解。因此我們做的是要經常提醒團隊里面每一位成員多去理解這些數據并更多的基于數據來做出合理的決策。另外我們可以通過建立自助使用的數據平臺來解答開發人員在開發中的對數據不了解的疑惑，在很大程度上可以避免以上的情況發生。
5.沒有記錄足夠的數據：如果我們只統計分析總項目數據而忽略對細分項目的數據的統計分析往往最后得出的結論是不準確的。通常細分項目可以是每日甚至每個小時的變化明細等項目，如果我們只是粗放斷續的統計這些細分項目，我們就不能準確的解讀出各種細微因素對于銷售或者用戶使用習慣的影響。由于數據儲存越來越便宜，所以如今同時做大量的分析其風險大大降低，只要我們買足夠的空間就不會有系統當機的風險。因此對于初創企業應盡可能多的記錄數據，從而提升自己對用戶使用產品情況的了解。
6.頻繁的進行多次總結：頻繁多次進行總結這個問題對于擁有大數據分析團隊的公司來說比較常見，然而過多的進行總結反而造成反效果，而其中多數過于簡單的總結是沒有起到任何實質性作用的。從表面上看多次簡單的數據總結的確符合數據分析的流程，但我們不應該基于簡單的的總結來做出決策，因為簡單的總結并不能真正反映問題的實質，相反我們更應該關注極端值。租用服務器可咨詢夢飛云idc了解。
