分析过程中尽量运用多种分析方法，以提高分析的准确性和可靠性。例如，运用定性定量相结合的分析方法对于数据进行分析;融合交互式自助BI、数据挖掘、自然语言处理等多种分析方法;分析和可视化分析相结合等。数据分析过程中，要避免以下3种情况：
1)时间安排不合理。在开始分析工作之前，一定要做一个明确的进度计划，时间分配的原则是：数据收集、整理及建模占70%，数据可视化展现及分析报告占25%，其他占5%。(数据的收集、整理和建模的过程，是反复迭代的过程)
2)数据源选择不合理。一般企业中的数据来源有很多，SAP、TMS、CRM及各部门业务系统，每个渠道的数据各有特点。这时，应该慎重考虑从哪个渠道获取数据更加快捷有效。数据源选择不合理，不仅影响结论的可靠性，而且有返工的风险。
3)沟通不充分。项目数据分析师和项目数据分析师事务所将担任这一重要的社会责任。无论是分析人员内部的沟通还是与外部相关人员的沟通，都是至关重要的。与外部人员沟通效不顺畅，可能造成前期需求不清，中间业务逻辑混乱，终导致数据分析结果不好。与内部人员沟通效率低，可能造成分析进度滞后，分析工作开展不畅等诸多问题，直接影响分析效果。
数据分析技术面临的挑战是什么呢？
在日新月异且喜新厌旧的技术时代，企业已经认识到“数据开始慢慢变成为了新的 ”金子“ 或者 ”石油“,那么企业在数字化转型的浪潮中，如何通过大数据、云计算等***的技术保驾护航？企业数据量从GB级增长到TB级，应用如何平滑演进？从数据仓库，到数据湖、数据共享平台，企业如何利用数字资产？这些都是企业在数字化转型过程中面临的问题。数据分析将数学原理和计算机技术进行有机结合，一般遵循设计方案、数据采集、数据处理、数据分析、出具报告5个步骤。
当基于分布式存储计算的大数据处理技术出现后，我们所面对的则是来自离线和在线的多个不同数据流，系统需要实时响应数据查询请求，还需要处理分布式系统的分区和问题，以及满足高容错和可扩展的要求，于是就有了lambda架构，但其也存在着不足之处：整体架构比较复杂，资源开销比较大，对软硬件的需求较高；很多分析场景实现困难，增加了应用开发难度；数据流水线较长，系统运维复杂。但是，由于不断增加的数据容量和更广泛多样的数据类型，特别是当涉及结构化和非结构化数据混合时，就会对一个大数据的实施增加难度系数。
通过以上可以发现，现有的数据处理技术都存在一定缺陷，在面对今天日益复杂的企业大数据分析需求时显得力不从心，如何采用架构技术来解决这些问题，这也是数据分析厂商所面对的挑战。
