（2）数据量：根据公司的数据规模选择合适的方案。
(3）成本：包括时间成本和金钱成本。但是这里有一个问题，很多企业要么不上数据平台，一旦有了这样的计划，就恨不得马上把平台搭建出来并用起来，不肯花时间成本。这样的情况很容易考虑欠缺，也容易被数据实施方忽悠。
在方案选型时，一个常见的误区是忽略业务的复杂性，要用工具来解决或者绕开业务的逻辑。企业选择数据平台的方案有着不同的原因，要合理地选型，既要充分地考虑搭建数据平台的目的，也要对各种方案有着充分的认识。对于数据层面来说，还是倾向于一些灵活性很强的方案，因为数据中心对于企业来说太重要了，更希望它是透明的，是可以被自己完全掌控的，这样才有能力实现对数据中心更加充分的利用。因为不知道未来需要它去担任一个什么样的角色。
3.5.2 数据质量
当前越来越多的企业认识到了数据的重要性，大数据平台的建设如雨后春笋般。但数据是一把双刃剑，它给企业带来业务价值的同时，也是组织最大的风险来源。糟糕的数据质量常常意味着糟糕的业务决策，将直接导致数据统计分析不准确、监管业务难、高层领导难以决策等问题，据IBM统计：
●错误或不完整数据导致BI和CRM系统不能正常发挥优势甚至失效。
●数据分析员每天有30%的时间浪费在了辨别数据是否是“坏数据”上。
●低劣的数据质量严重降低了全球企业的年收入。
可见数据质量问题已经严重影响了企业业务的正常运营。在企业信息化初期，各类业务系统恣意生长。后来业务需求增长，需要按照统一的架构和标准把各类数据集成起来，这个阶段问题纷纷出现，数据不一致、不完整、不准确等各种问题扑面而来。费了九牛二虎之力才把数据融合起来，如果因为数据质量不高而无法完成数据价值的挖掘，那就太可惜了。
大数据时代数据集成融合的需求会愈加迫切，不仅要融合企业内部的数据，也要融合外部（互联网等）数据。如果没有对数据质量问题建立相应的管理策略和技术工具，那么数据质量问题的危害会更加严重。数据质量问题会造成“垃圾进，垃圾出”。数据质量不好造成的结果是对业务的分析不但起不到好的效果，相反还有误导的作用。很多人可能在纠结，数据质量问题究竟是“业务”的问题还是“技术”的问题。根据我们以往的经验，造成数据质量问题的原因主要分为以下几种：
人工智能与大数据技术导论
92