採集數據犯錯 推算失準
首篇報告題為〈谷歌流感的比喻：大數據分析的陷阱〉（"The Parable of Google Flu: Traps in Big Data Analysis"），描述了谷歌公司曾利用「大數據」分析推算2011/2012年度美國流感的趨勢，但結果卻未如人意，估計的流感個案數目遠超過實際數目。而谷歌利用的數據是來自用戶使用的關鍵詞（如「禽流感」）次數及分佈作推算分析。專家認為構成嚴重誤差的主要原因是谷歌盲目地廣泛收集關鍵詞，以為愈多愈好，卻沒有了解用戶查詢時的出發點，結果蒐集得的數據大部分來自非流感病患者，因此在數據採集階段已嚴重犯錯，自然推算失準。若數據分析全力集中在流感病患者，結果便會截然不同。
過分炒作 或空歡喜一場
第二位專家是美國加州大學柏克萊分校的國際知名學者米高佐敦（Michael Jordan）教授，他最近接受美國IEEE學會（電機電子工程師學會）雜誌訪問，在題為"Machine-Learning Maestro Michael Jordan on the Delusions of Big Data and Other Huge Engineering Efforts" 一文中指出，「大數據」在現今商業市場被過分炒作，它最後可能只是一場空歡喜，教授更預測「大數據」的「冬天」即將來臨。他認為「大數據」用戶作出假設的速度將會超越「大數據」的統計範疇，在這情况下數據分析結果難免會出現錯誤，造成大量「噪音」，影響推算的可靠性。
昨天採數據 能滿足今天新需求？
從另一角度看，「大數據」用戶往往忽略數據的「動力」（dynamics）。例如在變幻無常的商務環境中，用戶的需求不停在變，那麽昨天的「大數據」分析結果能有效地應用於今天的商務環境嗎？能夠滿足用戶今天的需求嗎？若然不能，我們需要重新進行分析，但昨天採集商務數據的方法能滿足用戶今天的新需求嗎？歸根究柢，什麼時候開始分析及什麼時候停止既是統計學應用的老問題，亦是「大數據」分析必須嚴肅面對的問題，但在千變萬化的應用及數據環境下，要應對這個問題更是難上加難。因此佐敦教授進一步指出「大數據」分析服務提供者有責任清楚說明分析推算法的質量標準及其誤差度，做好用戶的期望管理（expectation management）。
筆者認為上述的技術問題亦反映今天的資訊科技業界急切需要解決「人才荒」問題。缺乏專業數據科學家（data scientist），「大數據」行業將難以起飛。以「瞎子摸象」作比喻，多個瞎子（非專家）觸摸大象（「大數據」），然後判斷象的形狀，結果誤判收場。在商業應用中，錯誤「大數據」分析所推斷的「商務智能」（business intelligence），可能會弄巧反拙，嚴重影響生意。筆者認為本地大學應考慮開設更多相關課程，校方在課程設計上必須加入更多體驗學習（experience-based learning）活動，避免就讀數據科學的學生過於紙上談兵。