风险评估的基础是首先要对以下几项内容进行估计：风险事件发生的可能性大小；可能的结果范围和危害程度；预期发生的时间；一个风险因素所产生的风险事件的发生频率。常用的方法工具包括：风险可能和危害分析等级矩阵、项目假定测试(projectassumptitesting)、数据精度分级(dataprecisionranking)。(1)风险可能和危害分析等级矩阵。风险的大小是由两个方面决定的，一是风险发生的可能性，另一个是风险发生后对项目目标所造成的危害程度，对这两方面，可以用一些定性的描述词分别进行描述，如“非常高的”、“高的”、“适度的”、“低的”和“非常低的”等。(2)项目假定测试。风险评估中的项目假定测试是一种模拟技术，它是分别对一系列的假定及其推论进行测试，进而发现风险的一些定性信息。(3)数据精度分级。风险估计需要准确的、不带偏见的有益于管理的数据，数据精度分级就是应用于这方面的一种技术，它可以估计有关风险的数据对风险管理有用的程度。它包括如下的方面：风险的了解范围；有关风险的数据；数据的质量；数据的可信度和真实度等。1、项目提出的背景和必要性包括国内外现状，知识产权状况和发展趋势；技术突破对产业技术进步的重要意义和作用；项目可能形成的产业规模和市场前景。2、项目主要开发和建设内容包括项目的主要科技攻关内容，项目目标及开发任务。3、项目实施的技术方案包括项目的技术路线，工艺的合理性和成熟性，关键技术的***性和创新点；产品技术性能水平与国内外同类产品的比较；项目承担单位在实施本项目的优势。4、项目***机构和人员安排包括项目的***形式，项目专案分析报告，产学研联盟运作机制及分工安排；项目的实施地点；项目承担单位负责人，项目人物主要情况；项目开发的人员安排。数据准确性数据质量问题对于BI和数据管理人士来说一定不陌生。很多BI和分析团队努力保证数据的有效性并说服业务使用人员去信任信息资产的准确性和可靠性。作为个性化分析库而得以广泛使用的电子表格或电子报表软件可以对数据中信任缺乏的问题加以弥补：在Excel中存储和操作分析数据的功能为支持自助分析能力创造了环境，但可能不会激发其他用户对结果的自信心。数据仓库与数据集成和数据质量工具一起，能够通过为管理BI和分析数据提供标准化流程来帮助树立信心。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。建立评估数据质量标准以及对它们进行升级以处理那些更大、更多样数据集，对于大数据实施的成功和分析框架的使用是至关重要的。深圳项目专案分析报告-中乾晟数据(图)由南京中乾晟数据分析有限公司提供。行路致远，砥砺前行。南京中乾晟数据分析有限公司致力成为与您共赢、共生、共同前行的战略伙伴，更矢志成为咨询、调研具有竞争力的企业，与您一起飞跃，共同成功!)