分析步驟

　　大數據分析的五個基本方面

　　1. Analytic Visualizations(可視化分析)

　　不管是對數據分析專家還是普通用戶，數據可視化是數據分析工具最基本的要求�？梢暬�可以直觀的展示數據，讓數據自己說話，讓觀眾聽到結果。[2]

　　2. Data Mining Algorithms(數據挖掘算法)

　　可視化是給人看的，數據挖掘就是給機器看的。集群、分割、孤立點分析還有其他的算法讓我們深入數據內部，挖掘價值。這些算法不僅要處理大數據的量，也要處理大數據的速度。[2]

　　3. Predictive Analytic Capabilities(預測性分析能力)

　　數據挖掘可以讓分析員更好的理解數據，而預測性分析可以讓分析員根據可視化分析和數據挖掘的結果做出一些預測性的判斷。[2]

　　4. Semantic Engines(語義引擎)

　　我們知道由于非結構化數據的多樣性帶來了數據分析的新的挑戰(zhàn)，我們需要一系列的工具去解析，提取，分析數據。語義引擎需要被設計成能夠從“文檔”中智能提取信息。[2]

　　5. Data Quality and Master Data Management(數據質量和數據管理)

　　數據質量和數據管理是一些管理方面的最佳實踐。通過標準化的流程和工具對數據進行處理可以保證一個預先定義好的高質量的分析結果。[2]

　　假如大數據真的是下一個重要的技術革新的話，我們最好把精力關注在大數據能給我們帶來的好處，而不僅僅是挑戰(zhàn)。

發(fā)展狀況

　　開源大數據

　　1. Hadoop HDFS、Hadoop MapReduce, HBase、Hive 漸次誕生，早期Hadoop生態(tài)圈逐步形成。

　　2. Hypertable是另類。它存在于Hadoop生態(tài)圈之外，但也曾經有一些用戶。

　　一體機數據倉庫

　　IBM PureData(Netezza), OracleExadata, SAP Hana等等。