尽管多云环境是当前企业更多在选择的云部署方式，但要是掌握不住云用量，就有得不偿失的风险，莫让多云变成多负担。
企业在上云选用某一款工具时，其功能、架构、性能、可用性、可靠性等多方面的因素都要被考量在内，以便企业IT人员在业务迁移时做出判断。这些人员要对服务提供商的产品性能做出评估，包括要对是否在建模预测、数据挖掘、机器学习等方面需要引入云计算。现实情况是，迁移的准备时间远比迁移进行的时间要长很多。
正是因为要对如此多的因素做出考量，企业在采购云服务对于消费量的关注并不是那么全面，所以企业用云量的可见性需要得到重视，尤其是在多云环境中。毕竟，相较于企业对人力、设备这些有形资产的管理，在混合IT部署的过程中对应用和数据的管理难以做到很精确。
一个例子是，不少企业的管理者并不清楚到底用了多少云服务或功能。调查显示，大型企业正在使用的独立云工具可能超过700个，不过针对每一项细枝末节的针对性管理需要上层的整体把控，单独的部门之间是无法估算彼此成本的，即使可以也对云服务的采购不具有决定性。借助对云服务运行的监控，企业往往可以在数百万美元中节省10-20%的成本。
此外，企业用云时所面临的安全性问题也逐渐加大，这不仅是因为选择的服务或功能越来越多，更多的服务被搬到线上连到骨干网中，一旦出现“僵尸攻击”就是成片上海，甚至可以在十秒钟内迅速攻占有效业务。要知道，传统的防火墙等安全和防护系统多是针对网络和主机的边界进行检测，对未知威胁和已有漏洞缺乏足够深入的解析能力。
而在云计算环境中是没有拓扑边界的，一个基础设施会承载多个业务系统，虚拟化之后的某一个业务层的虚拟机有一定概率不在同一个安全区域之下，虚拟彼此之间的数据交换也不被外部网络可见。如果是依靠单一方案，是难以阻止像APT这样的威胁，数据中心被黑的成本通常是百万、千万美元计的。
多数企业对潜在的网络威胁缺乏可见性，并且难以具有识别或处理风险预警的能力。如果是传统的方法，员工只能通过优化算法和数据模型来加强准确性。有了云原生的环境，企业在分析数量流量时就可以调用CSP的开放接口，在不影响业务运行性能的前提下，结合数据进行预测或风控。
在运营方面， 企业上云不是一蹴而就的，除了要明确业务需求，还要根据实际运营状况作出调整。比如通过可扩展的架构实现更多的工作负载，并且在实验建模时把试错成本降到最低。就像企业不想每一次在应用创建时都去重新搭一遍平台，而是要去设计出一个可以良性循环的系统和机制。而且在使用商业智能时，企业也在去寻求提高业务并发性、决策质量、业务洞察力。
同时，企业还要在上云时加强对于数据的重视程度，例如要了解非结构化、结构化和半结构化数据分析的具体影响，而这些数据必须是与实际业务强相关的，比如是直接用于投资或者运营的数据，商业智能所面临的挑战就是如何去获取、筛选、标准化数据。
要知道，足够领先的技术并不代表可以把背后的数据利用好，或者不代表拥有优质的数据资源。就像柴油注入汽油车会出问题，也不是任何数据对人工智能都有积极作用，不少案例已经可以证明这一点。只有那些对实际业务有帮助的数据才是真正有效的。
企业上多云已是趋势，但要算明白自己手中的账本，要不就会产生成本的浪费。
