大数据挖掘和分析在实践中会遇到以下问题：

1、数据质量问题：大数据环境下，数据来源众多，数据质量参差不齐，存在数据错误、缺失值、异常值等问题，这些问题会影响数据分析的准确性和可靠性。

2、数据处理问题：由于数据量庞大，数据处理和分析的难度加大，需要耗费大量的时间和计算资源。同时，数据处理的算法和工具也面临着挑战，需要更加高效和稳定。

3、数据安全问题：大数据中包含大量的敏感信息和隐私数据，如何保证数据的安全和隐私是一个重要的问题。同时，大数据的存储和管理也需要考虑安全性和可靠性。

4、数据分析结果解读难度大：大数据挖掘和分析的结果往往非常复杂，需要专业的知识和技能进行解读和理解。同时，如何将分析结果转化为实际业务决策和应用也是一个挑战。

5、技术和资源限制：大数据挖掘和分析需要强大的技术和资源支持，包括高性能计算机、大规模存储设备、云计算平台等。这些技术和资源的成本较高，可能限制大数据挖掘和分析的应用范围。

6、数据可视化问题：大数据挖掘和分析的结果需要进行可视化展示，以便更好地理解和解释。但是，如何选择合适的可视化工具和技术，以及如何设计出易于理解的图表和图像也是一个挑战。

7、数据治理问题：大数据环境下，数据的来源、格式、质量、安全等方面都存在多样性，需要建立有效的数据治理机制，以保证数据的统一管理、使用和监管。

8、算法和模型的可解释性问题：大数据挖掘和分析中使用的算法和模型往往非常复杂，难以解释其工作原理和决策依据。这可能导致人们对分析结果的不信任和对结果的误用。

9、数据处理速度问题：在实时数据分析中，需要快速处理大量数据并及时提供分析结果。然而，现有的数据处理技术和算法可能无法满足这种速度要求，导致数据处理速度成为瓶颈。

10、法律和道德问题：大数据的采集和使用涉及到法律和道德问题，如个人隐私保护、知识产权保护等。在大数据挖掘和分析中需要遵守相关法律法规和伦理规范。

综上所述，大数据挖掘和分析面临的问题是多方面的，需要在技术、方法、资源、人才等方面进行综合考虑和解决。同时，也需要建立相应的标准和规范，以保证大数据挖掘和分析的可靠性和可持续性发展。