明确分析自己的需求，下面是几个常见的需求选项：
> 数据类型，是结构化，半结构化，还是非结构化为主;
> 数据大小，内部数据级别是TB级别、PB级别或者PB以上级别;
> 读写量级，比如每小时写入的数据达到GB级别，或者每天写入达到TB级别等;
> 读写比例，是写为主，还是以读为主;
> 并发数，大致的每秒并发数;
> 一致性，只接受强一致性，或者可以接受最终一致性和弱一致性;
> 延迟度，最高能容忍的延迟度是多少，是10毫秒，100毫秒，还是可以1秒;
> 分析的复杂度，需不需要引入较复杂的数据挖掘算法等。
要灵活使用现有的工具，首先，推荐使用一些开源或者是可以承受的商业软件，虽然个人并不排斥自建，但是一定要有具体的商业价值，并且最好是在现有工具上的画龙点睛，而不是从头开始构建;其次，工具方面应与具体的场景相关，在不同的场景要使用不同的工具。
尽量不要走平台思路，应以具体的应用和场景为主，因为建一个平台有很多附加的成本和设计，比如，Amazon的云平台是通过至少五年时间构建而成。特别是项目的初期，不建议走平台这个方向，而是应脚踏实地以具体的商业场景为主。
找准切入点，最好是找到一个技术难度小，并且有一定的商业价值的场景来做大数据技术落地的试点，并不断地进行测试和迭代来验证，而不是一味求复杂，求大，这样比较容易说服企业管理层来进行长期地投入和支持;
最后，想和大家说一下，“罗马不是一天建成的”，无论是Google的用于大数据处理的基础设施，还是我们国内淘宝的“云梯”都是一步步通过不断积累和实践而成，所以我们这些中小企业应该贯彻“大处着眼、小处着手”的方针来持续地验证和推进。