资源调度难题：大数据的特点之一是其生成的时间点和数据量都是不可预测的。因此，我们需要建立一个动态响应机制，以合理调度有限的计算和存储资源。同时，考虑如何在成本最小化的同时获得理想的分析结果也是一个重要问题。 分析工具的局限性：随着数据分析技术的发展，传统的软件工具已经不再适用。
社会安全问题，个人隐私，对于国民经济的威胁，国家安全利益，秘密保护。大数据带来的弊端 社会安全问题 中国网民已经接近6亿，每时每刻都产生着大量的数据，也消费着大量的数据，网络的放大效应、传播的速度和动员的能力越来越大，各种社会的矛盾叠加，致使社会群体性事件频发。
技术创新和支撑能力不足。大数据的发展需要底层芯片、基础软件、应用分析软件等信息产业全产业链的支撑。我国在新型计算平台、分布式计算架构、大数据处理和分析等方面与国外存在较大差距，难以满足各行各业的大数据应用需求。 数据资源建设和应用水平较低。
社会透明度问题：大数据技术的发展带来了社会透明度的提升，但同时也暴露了个人隐私，增加了社会不稳定性。 国家机密保护挑战：大数据技术的发展对国家机密保护提出了新的要求。我国需要加强技术手段，保护国家信息安全，抵御外部威胁。
分析资源调度问题：大数据产生的时间点，数据量都是很难计算的，这就是大数据的一大特点，不确定性。所以我们需要确立一种动态响应机制，对有限的计算、存储资源进行合理的配置及调度。另外，如何以最小的成本获得最理想的分析结果也是一个需要考虑的问题。
培养合适的人才至关重要。（大数据不仅仅涉及技术和平台。）企业需要对合适的人员进行投资，这些人员应清楚了解企业的业务目标并相应地利用大数据。需要在技术上和分析上都配备有能力的正确的人，他们能够理解和理解数据分析所引发的相互关系和趋势。
不注重数据的精确 也有的一些相关的大数据文章说明不需要太在乎数据的精确度，或者说不准确最后形成报告可以改的心理，大数据分析基本要求就是严谨以及精确。不能粗略计算 现阶段进行大数据分析都是依托于相应的大数据分析工具，可以进行专业的数据分析，不能进行粗略的计算，也不会得到想要的结果。
缺少专门的商业智能团队 在有效地搜集数据之后，许多安排以为很难从数据中取得价值和洞察力，主要是因为他们没有投入满足的资源来树立专门的BI组来协助他们搜集、分析和共享数据，以及推动进步的方法。关于大数据分析要注意哪些问题，青藤小编就和您分享到这里了。
大数据分析的基本要求是精确性和准确性。 数据越多越好 如果没有足够的数据，就越好。如果数据不是分析维度所需要的数据，则会增加分析的难度和准确性。
不注意数据的准确性 也有一些相关的大数据文章，说明我们不需要太在意数据的准确性，或者说数据不准确，最后形成报告可以改的心理。大数据分析的基本要求是精确性和准确性。
首先需要注意的是数据挖掘，数据分析工作是否有意义取决于数据挖掘的内容是否有用。数据挖掘是发现大数据集中数据模式的计算过程，许多数据挖掘算法已经在人工智能、机器学习、模式识别、统计和数据库领域得到了应用。此外，一些其他的先进技术如神经网络和基因算法也被用于不同应用的数据挖据。
1、大数据在会计学中应用有哪些？有何缺陷？如下：提高数据处理效率：大数据技术可以快速处理大量数据，提高会计工作的效率。传统的会计工作需要人工进行数据处理，而大数据技术可以通过自动化和智能化的方式，快速准确地处理数据，减少人工操作的时间和错误率。
2、数据管理方式发生变化。大数据时代的来临，改变了传统的数据管理类型和渠道单一化、工作效率不高的特点，互联网使数据管理趋于多元化。互联网的无界可以实现将大数据存储在网络平台，各部门数据共享，实现了财务管理的大变革。（2）数据处理方式产生变化。
3、大数据与会计主要学习的课程包括基础会计、财务会计、成本会计、管理会计、智能财税、会计信息系统运用。行业会计、出纳实务、经济法、理财规划、纳税筹划、互联网+会计综合实训、Excel在会计中的应用、ERP财务业务一体化、大数据财务分析、智能审计、财务机器人等。大数据与会计专业的就业方向。
4、换句话说，这里的数据具有更强的针对性，但范围会更为窄小。因此，相对于大数据与财务管理相比，大数据与会计学的应用面就有一定的局限性。综上，虽然大数据可以应用于各个领域，但它与财务管理的应用更有潜力。
1、也有的一些相关的大数据文章说明不需要太在乎数据的精确度，或者说不准确最后形成报告可以改的心理，大数据分析基本要求就是严谨以及精确。不能粗略计算 现阶段进行大数据分析都是依托于相应的大数据分析工具，可以进行专业的数据分析，不能进行粗略的计算，也不会得到想要的结果。
2、指标分析 在实际工作中，这个方法应用的最为广泛，也是在使用其他方法进行分析的同时搭配使用突出问题关键点的方法，指直接运用统计学中的一些基础指标来做数据分析，比如平均数、众数、中位数、最大值、最小值等。在选择具体使用哪个基础指标时，需要考虑结果的取向性。
3、数据分析关键点 - 运营模块：流量结构（渠道、业务、地区）、转化率、流失率和留存率、复购率。- 销售模块：同环比、完成率、销售排行、重点商品占比、平台占比。- 商品模块：货龄、动销率、缺货率、结构指标、价格体系、关联分析、畅滞销分析。