为了从内部和外部资源中获得的海量数据里提取出有用的见解，很多公司不惜在IT工具上大下血本，并且礼聘数据科学家。然而，多数公司未能取得令人满意的回报。这是因为，他们对待大数据和分析项目的方式与对待所有其他IT项目无异，并没有意识到它们完全是两码事。
对待一个IT项目的传统方式是，致力于按时、按计划、在预算内完成项目的建设和部署，比如安装企业资源规划（ERP）系统和客户关系管理（CRM）系统。当进行流程再造时，信息方面的要求和技术细节都在前期设计阶段就确立了。尽管我们听到过很多的失败案例，但是，如果项目目标是改善业务流程，并且公司能有效管理接下来的组织变革的话，这一方法还是奏效的。
但是，我们不止一次发现，即使这些项目提高了效率、降低了成本并提高了生产力，高管们依然不满意。原因在于：一旦系统运转起来，没有人会注意到，如何利用它所生成的信息做出更好的决策，或者获得关于关键业务方面的更深入、或许是意料之外的真知灼见。
例如，一家保险公司安装了一套自动理赔处理系统，这可能会显著提高理赔效率，但它同时还会生成一些信息，然而，没有人能说清楚或者预见到这些信息的用途。利用这些新数据，该公司可以建立各种模型，来判断诈保的可能性。它可以利用汽车传感器上实时收集到的诸如驾驶速度、转弯、刹车和加速数据，来区分有责任心的司机和心不在焉的司机，从而评估出发生交通事故的可能性，并据此调整保费费率。然而，仅仅安装上系统，并不能令该公司自动获得这些认知。
我们对不同行业的50多家跨国公司进行研究后，找到了另外一种应对大数据和分析项目的方法，这套方法能让公司以新的方式对数据进行持续性开发。该方法关注的重点不是技术部署，而是信息挖掘。它没有将信息视为是一种存在于数据库中的资源——这适用于设计和实施传统的IT系统，而是认为是人类自己使信息变得有价值。
因此，理解人们如何创造和使用信息至关重要。这意味着，项目组中不仅需要精通工程学、计算机科学和数学方面的人才，也需要精通认知科学和行为科学的人才。这也意味着项目规划不是整齐划一的。 部署IT分析工具相对简单，而知道如何去应用它们则不是那么一目了然。开始时，没有人知道这些工具能够支持什么样的决策，以及它们能帮助解决什么问题。
所以，不应该像对待传统、大型IT项目那样对待大数据或者分析项目，传统IT项目的目标、需要完成的任务以及详细实施计划都是明确的。而后者可能是规模更小、时限更短的动议。之所以启动它们，要么是奉命去解决一个问题，要么是为了抓住某人嗅到的一个机会，项目会设计一些数据可能解决的问题，发展一些假设，然后通过重复试验，获得知识、增进理解。我们找到5条指导原则，可帮你完成这一发现之旅。