大數(shù)據(jù)作為時下最火熱的IT行業(yè)的詞匯，隨之而來的數(shù)據(jù)倉庫、數(shù)據(jù)安全、數(shù)據(jù)分析、數(shù)據(jù)挖掘等等圍繞大數(shù)據(jù)的商業(yè)價值的利用逐漸成為行業(yè)人士爭相追捧的利潤焦點。隨著大數(shù)據(jù)時代的來臨，大數(shù)據(jù)分析也應運而生。
界面工具
用于展現(xiàn)分析的前端開源工具有JasperSoft，Pentaho, Spagobi, Openi, Birt等等。
用于展現(xiàn)分析商用分析工具有Style Intelligence、RapidMiner Radoop、Cognos, BO, Microsoft Power BI, Oracle,Microstrategy,QlikView、Tableau 。
國內(nèi)的有BDP，國云數(shù)據(jù)（大數(shù)據(jù)魔鏡），思邁特，FineBI等等。
數(shù)據(jù)倉庫
有Teradata AsterData, EMC GreenPlum, HP Vertica 等等。
數(shù)據(jù)集市
有QlikView、 Tableau 、Style Intelligence等等。
大數(shù)據(jù)分析
大數(shù)據(jù)分析的六個基本方面
1. Analytic Visualizations（可視化分析）
不管是對數(shù)據(jù)分析專家還是普通用戶，數(shù)據(jù)可視化是數(shù)據(jù)分析工具最基本的要求。可視化可以直觀的展示數(shù)據(jù)，讓數(shù)據(jù)自己說話，讓觀眾聽到結(jié)果。
2. Data Mining Algorithms（數(shù)據(jù)挖掘算法）
可視化是給人看的，數(shù)據(jù)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(shù)據(jù)內(nèi)部，挖掘價值。這些算法不僅要處理大數(shù)據(jù)的量，也要處理大數(shù)據(jù)的速度。
3. Predictive Analytic Capabilities（預測性分析能力）
數(shù)據(jù)挖掘可以讓分析員更好的理解數(shù)據(jù)，而預測性分析可以讓分析員根據(jù)可視化分析和數(shù)據(jù)挖掘的結(jié)果做出一些預測性的判斷。
4. Semantic Engines（語義引擎）
我們知道由于非結(jié)構(gòu)化數(shù)據(jù)的多樣性帶來了數(shù)據(jù)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(shù)據(jù)。語義引擎需要被設計成能夠從“文檔”中智能提取信息。
5. Data Quality and Master Data Management（數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理）
數(shù)據(jù)質(zhì)量和數(shù)據(jù)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(shù)據(jù)進行處理可以保證一個預先定義好的高質(zhì)量的分析結(jié)果。
假如大數(shù)據(jù)真的是下一個重要的技術(shù)革新的話，我們最好把精力關(guān)注在大數(shù)據(jù)能給我們帶來的好處，而不僅僅是挑戰(zhàn)。
6.數(shù)據(jù)存儲，數(shù)據(jù)倉庫
數(shù)據(jù)倉庫是為了便于多維分析和多角度展示數(shù)據(jù)按特定模式進行存儲所建立起來的關(guān)系型數(shù)據(jù)庫。在商業(yè)智能系統(tǒng)的設計中，數(shù)據(jù)倉庫的構(gòu)建是關(guān)鍵，是商業(yè)智能系統(tǒng)的基礎，承擔對業(yè)務系統(tǒng)數(shù)據(jù)整合的任務，為商業(yè)智能系統(tǒng)提供數(shù)據(jù)抽取、轉(zhuǎn)換和加載(ETL)，并按主題對數(shù)據(jù)進行查詢和訪問，為聯(lián)機數(shù)據(jù)分析和數(shù)據(jù)挖掘提供數(shù)據(jù)平臺。
發(fā)展狀況
開源大數(shù)據(jù)
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(jīng)有一些用戶。
一體機數(shù)據(jù)倉庫
IBM PureData(Netezza), OracleExadata, SAP Hana等等。
分析成效
1.積極主動&預測需求： 企業(yè)機構(gòu)面臨著越來越大的競爭壓力，它們不僅需要獲取客戶，還要了解客戶的需求，以便提升客戶體驗，并發(fā)展長久的關(guān)系。客戶通過分享數(shù)據(jù)，降低數(shù)據(jù)使用的隱私級別，期望企業(yè)能夠了解他們，形成相應的互動，并在所有的接觸點提供無縫體驗。
為此，企業(yè)需要識別客戶的多個標識符（例如手機、電子郵件和地址），并將其整合為一個單獨的客戶ID。由于客戶越來越多地使用多個渠道與企業(yè)互動，為此需要整合傳統(tǒng)數(shù)據(jù)源和數(shù)字數(shù)據(jù)源來理解客戶的行為。此外，企業(yè)也需要提供情境相關(guān)的實時體驗，這也是客戶的期望。
2.緩沖風險&減少欺詐：安全和欺詐分析旨在保護所有物理、財務和知識資產(chǎn)免受內(nèi)部和外部威脅的濫用。高效的數(shù)據(jù)和分析能力將確保最佳的欺詐預防水平，提升整個企業(yè)機構(gòu)的安全：威懾需要建立有效的機制，以便企業(yè)快速檢測并預測欺詐活動，同時識別和跟蹤肇事者。
將統(tǒng)計、網(wǎng)絡、路徑和大數(shù)據(jù)方法論用于帶來警報的預測性欺詐傾向模型，將確保在被實時威脅檢測流程觸發(fā)后能夠及時做出響應，并自動發(fā)出警報和做出相應的處理。數(shù)據(jù)管理以及高效和透明的欺詐事件報告機制將有助于改進欺詐風險管理流程。
此外，對整個企業(yè)的數(shù)據(jù)進行集成和關(guān)聯(lián)可以提供統(tǒng)一的跨不同業(yè)務線、產(chǎn)品和交易的欺詐視圖。多類型分析和數(shù)據(jù)基礎可以提供更準確的欺詐趨勢分析和預測，并預測未來的潛在操作方式，確定欺詐審計和調(diào)查中的漏洞。
3.提供相關(guān)產(chǎn)品： 產(chǎn)品是任何企業(yè)機構(gòu)生存的基石，也通常是企業(yè)投入最大的領域。產(chǎn)品管理團隊的作用是辨識推動創(chuàng)新、新功能和服務戰(zhàn)略路線圖的發(fā)展趨勢。
通過對個人公布的想法和觀點的第三方數(shù)據(jù)源進行有效整理，再進行相應分析，可以幫助企業(yè)在需求發(fā)生變化或開發(fā)新技術(shù)的時候保持競爭力，并能夠加快對市場需求的預測，在需求產(chǎn)生之前提供相應產(chǎn)品。
4.個性化&服務： 公司在處理結(jié)構(gòu)化數(shù)據(jù)方面仍然有些吃力，并需要快速應對通過數(shù)字技術(shù)進行客戶交互所帶來的不穩(wěn)定性。要做出實時回應，并讓客戶感覺受到重視，只能通過先進的分析技術(shù)實現(xiàn)。大數(shù)據(jù)帶來了基于客戶個性進行互動的機會。這是通過理解客戶的態(tài)度，并考慮實時位置等因素，從而在多渠道的服務環(huán)境中帶來個性化關(guān)注實現(xiàn)的。
5.優(yōu)化&改善客戶體驗 運營管理不善可能會導致無數(shù)重大的問題，這包括面臨損害客戶體驗，最終降低品牌忠誠度的重大風險。通過在流程設計和控制，以及在商品或服務生產(chǎn)中的業(yè)務運營優(yōu)化中應用分析技術(shù)，可以提升滿足客戶期望的有效性和效率，并實現(xiàn)卓越的運營。
通過部署先進的分析技術(shù)，可以提高現(xiàn)場運營活動的生產(chǎn)力和效率，并能夠根據(jù)業(yè)務和客戶需求優(yōu)化組織人力安排。數(shù)據(jù)和分析的最佳化使用可以帶來端對端的視圖，并能夠?qū)﹃P(guān)鍵運營指標進行衡量，從而確保持續(xù)不斷的改進。
例如，對于許多企業(yè)來說，庫存是當前資產(chǎn)類別中最大的一個項目——庫存過多或不足都會直接影響公司的直接成本和盈利能力。通過數(shù)據(jù)和分析，能夠以最低的成本確保不間斷的生產(chǎn)、銷售和/或客戶服務水平，從而改善庫存管理水平。數(shù)據(jù)和分析能夠提供目前和計劃中的庫存情況的信息，以及有關(guān)庫存高度、組成和位置的信息，并能夠幫助確定存庫戰(zhàn)略，并做出相應決策。客戶期待獲得相關(guān)的無縫體驗，并讓企業(yè)得知他們的活動。
異步分析
異步處理的大數(shù)據(jù)分析中遵守了捕獲、存儲加分析的流程，過程中數(shù)據(jù)由傳感器、網(wǎng)頁服務器、銷售終端、移動設備等獲取，之后再存儲到相應設備上，之后再進行分析。由于這些類型的分析都是通過傳統(tǒng)的關(guān)系型數(shù)據(jù)庫管理系統(tǒng)(RDBMS)進行的，數(shù)據(jù)形式都需要轉(zhuǎn)換或者轉(zhuǎn)型成為RDBMS能夠使用的結(jié)構(gòu)類型，例如行或者列的形式，并且需要和其它的數(shù)據(jù)相連續(xù)。
處理的過程被稱之為提取、轉(zhuǎn)移、加載或者稱為ETL。首先將數(shù)據(jù)從源系統(tǒng)中提取處理，再將數(shù)據(jù)標準化處理且將數(shù)據(jù)發(fā)往相應的數(shù)據(jù)倉儲等待進一步分析。在傳統(tǒng)數(shù)據(jù)庫環(huán)境中，這種ETL步驟相對直接，因為分析的對象往往是為人們熟知的金融報告、銷售或者市場報表、企業(yè)資源規(guī)劃等等。然而在大數(shù)據(jù)環(huán)境下，ETL可能會變得相對復雜，因此轉(zhuǎn)型過程對于不同類型的數(shù)據(jù)源之間處理方式是不同的。
當分析開始的時候，數(shù)據(jù)首先從數(shù)據(jù)倉儲中會被抽出來，被放進RDBMS里以產(chǎn)生需要的報告或者支撐相應的商業(yè)智能應用。在大數(shù)據(jù)分析的環(huán)節(jié)中，裸數(shù)據(jù)以及經(jīng)轉(zhuǎn)換了的數(shù)據(jù)大都會被保存下來，因為可能在后面還需要再次轉(zhuǎn)換。
區(qū)別
如何進行大數(shù)據(jù)分析
利用大數(shù)據(jù)進行分析，大致是需要六個過程，提出問題——問題分析——數(shù)據(jù)準備——數(shù)據(jù)分析——產(chǎn)生報告——提出方案，大數(shù)據(jù)分析，主要是圍繞這六個進行開展。
進行大數(shù)據(jù)分析，雖說各個行業(yè)都不一定相同，但是基本思路都是一樣的，分析的對象有：市場，用戶，渠道，效果，這幾大類，如果有條件還可以進行分支拓展。
