OLAM的思想比较巧妙，在OLAP机制的基础上进行拓展以尽可能的提高执行效能。然而，韩教授本人也认识到面对探索性的数据挖掘，OLAM的效率仍然是一个巨大的挑战，根本原因在于挖掘分析的性质是“探索性”的。容易想象，在高维度大数据量的情况下，进行探索分析的时间开销会异常庞大，有可能就背离OLAP快速响应用户查询，数据浏览的初衷，再者探索的结果是否满足用户需求也是难以保证的。韩教授本人把提高效率的希望部分的寄托在计算机硬件的计算速度上，我想从方法和技巧入手也会有所突破。
还有一个问题，就是OLAM的已有产品DBMiner中存在大量的数据挖掘功能，这就让用户对于决定使用哪种功能更加适合某个特定的应用而感到迷惑。为了选取适合的数据挖掘功能，需要使用人员非常熟悉所处理的业务，业务中包含的数据特征，数据挖掘功能本身的原理和角色。有的时候，还需要使用人员本人先进行度量，进行头脑上的探索分析然后才在系统中进行实施，并观察探索的结果与期望中的接近程度，然后再重复进行探测最终获得满意的结果。这样一来，OLAM原来的优势即较之OLAP的分析更加智能也就大大削弱，因为人为的因素再次起了主导作用。