存一份备用：大数据分析工具采购指南

与现有平台组件的互操作性。如果要在一些传统数据管理和BI技术中混搭分析方法，那么这一点非常重要。例如，许多分析工具支持通过传统的SQL查询去调用分析模型。这种形式的互操作性允许使用预测模型的结构去产生一些传统数据分析师通常都能使用的查询与报表。

连接性。一定要评估连接性，或者说产品访问其他系统的能力，以及作为数据源给现有平台提供用于生成报表和分析的能力。

易用性。有一些大数据分析产品是供应商从零开始开发的，而有一些则基于开源的R统计语言。无论是哪一种情况，这种评估类别主要关注于产品用于分析数据、开发模型和确定模型有效性与准确性的易用性。

业务分析师可用性。没有统计背景的商业分析师是否也能够轻松地开发分析和应用呢？确定产品是否提供了方便开发和分析的可视化方法。

部署不同业务用例的灵活性。相同的算法方法可以应用到许多不同行业的不同业务场景中。如果你的组织准备做的这类分析数量有限，并且集中在更为普通的用例上（如客户生命周期价值分析、欺骗行为分析或存留预防），那么你可能应该在技术选择牺牲一些灵活性。然而，如果你的组织想要一种广度更大、约束更小的分析方法，则应该寻找一些灵活性更高的建模技术。

模型评分。这包括一些额外工具，它们可以帮助分析师自动比较准确性、有效性和不同预测模型用于相似业务场景时的预测价值。

协同性。隔离分析与开发可能导致重复工作和不协调的结果。提供一种集成协同功能和在大数据分析平台中分享分析模型的手段，使分析师可以协同工作，共同优化他们的应用程序及将来重用相同的模型，从而能够降低开发成本和提高一致性。

大数据分析工具的系统管理功能

接下来要考虑将一项新技术整合到组织中的实践环节。管理与配置的简单性评估包括理解所有的系统需求及安装、配置和持续管理的依赖条件。例如，使用R统计模型的大数据分析工具要求在安装产品时同时购买和安装R环境。此外，还需要确定产品可能安装的平台，以及确定能够嵌入已开发模型和应用的平台。