如果是數據中臺或者大數據從0到1的組織，或者沒有太多落地經驗的組織，首先要考慮如何避免如下的坑：
1.目標不明確、期望值過高、成本收益不清晰
家裡到底有多少數據？大數據能實現什麼樣的目標？投入大概有多少？
是不是上了大數據就可以看到財務指標的提升？
我見過總共幾個G的數據，買套BI就能解決還要花費幾百萬上大數據平臺的案例，
也見過花費了幾百萬打造大數據平臺只產出了一張大屏的案例。
2.缺乏戰略規劃和持續投入
對大部分企業型組織來說，大數據往往是伴隨數字化經營戰略進行規劃的，要跟企業戰略保持一致。
數據團隊的建設包含團隊搭建、設備採購、平臺建設、預期百萬級至千萬級啟動資金，每年數百萬的持續投入，如果沒有長遠的規劃和持續的投入很容易就會陷入半途而廢的境地。
關於數據中臺, 這個概念本身可能目前還有爭論，我個人認為數據中臺最核心的價值是把數據真正的納入到業務閉環當中，實現業務數據化+數據業務化，而不僅僅停留在數據看板、分析報告上。
關於如何選型，建議參考下面的步驟：
先對自身的信息系統、數據資源進行調研，對數據量、數據類型、數據價值進行分析。
從組織各個層面挖掘潛在的數據需求（營銷、預測、查詢、數據交換等），對經營指標體系和業務流程進行分析，考慮如何利用數據中臺將數據融入到業務閉環當中。
案例分析，尋找同行業數據中臺的實施案例，但是需要仔細鑑別宣傳中給出的各種數字，結合自身的業務判斷是否符合自身的要求。
路徑選擇，自研還是採購，開源還是商用產品，私有部署還是公有云，如果考慮最低成本的，可以全部採用開源解決方案進行組合，比如
數據中臺架構裡面包括數據採集、數據存儲、數據計算、數據治理、數據服務五大部分，前三個大家都差不多，更多的是技術指標，最值得關注的是數據治理和數據服務兩部分：
1）數據治理主要包括數據標準、數據質量和數據安全三部分，這三部分功能各家廠商的產品設計各有差異。也有一些針對行業特殊的設計，特別是數據標準，有些行業經驗比較豐富的廠商通常會提供相應的經過實踐檢驗的模板。
2）數據服務主要包括數據目錄、標籤工廠、數據分析、數據服務接口、算法模型等，各家廠商的支持程度以及設計差異也較大，有一些產品會內置一些針對行業的一些功能。
產品實施，一般採購產品的話會配套一個實施的項目，會把一些基礎的數倉規劃設計、數據採集、數據標準實現出來，並結合產品完成一套符合客戶的數據開發流程、數據開發規範、數據運維規範。