當今社會，數(shù)據(jù)已成為某些企業(yè)的“根”。近年來越來越多的公司意識到數(shù)據(jù)分析可以帶來的價值，并搭上了大數(shù)據(jù)這趟“旅行車”?，F(xiàn)實生活中現(xiàn)在所有事情都受到監(jiān)視及測試，從而創(chuàng)建了許多數(shù)據(jù)流，其數(shù)據(jù)量通常比公司處理的速度還快。因此問題就來了，按照定義，在大數(shù)據(jù)很大的情況下，數(shù)據(jù)收集中的細微差異或錯誤會導致重大問題。

如何分析大數(shù)據(jù)？從以下六個方面考慮

1.可視化分析

不管是數(shù)據(jù)分析專家還是普通用戶，數(shù)據(jù)可視化都是數(shù)據(jù)分析工具的基本要求?？梢暬梢灾庇^地顯示數(shù)據(jù)，讓數(shù)據(jù)自己說話，讓用戶看到結(jié)果。

2.數(shù)據(jù)挖掘算法

可視化適用于人，而數(shù)據(jù)挖掘適用于機器。聚類，細分，離群值分析和其他算法使我們能夠深入挖掘數(shù)據(jù)并挖掘價值。這些算法不僅需要處理大數(shù)據(jù)的量，還需要處理大數(shù)據(jù)的速度。

3.預測分析能力

數(shù)據(jù)挖掘使分析師可以更好地理解數(shù)據(jù)，而預測分析則可以使分析師基于視覺分析和數(shù)據(jù)挖掘的結(jié)果做出一些預測性判斷。

4.語義引擎

我們知道，非結(jié)構(gòu)化數(shù)據(jù)的多樣性給數(shù)據(jù)分析帶來了新的挑戰(zhàn)。我們需要一系列工具來解析，提取和分析數(shù)據(jù)。需要將語義引擎設計為可以從“文檔”中智能地提取信息。

5.數(shù)據(jù)質(zhì)量和主數(shù)據(jù)管理

數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理是管理方面的最佳實踐。通過標準化流程和工具處理數(shù)據(jù)可以確保預先定義的高質(zhì)量分析結(jié)果。

如果大數(shù)據(jù)確實是下一個重要的技術(shù)創(chuàng)新，那么我們將更好地關(guān)注大數(shù)據(jù)可以為我們帶來的好處，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)倉庫是一個關(guān)系數(shù)據(jù)庫，旨在促進以特定模式存儲的數(shù)據(jù)的多維分析和多角度顯示。在商業(yè)智能系統(tǒng)的設計中，數(shù)據(jù)倉庫的建設是商業(yè)智能系統(tǒng)的關(guān)鍵和基礎。它承擔著集成業(yè)務系統(tǒng)數(shù)據(jù)的任務，為業(yè)務智能系統(tǒng)提供數(shù)據(jù)提取，轉(zhuǎn)換和加載（ETL）。查詢和訪問數(shù)據(jù)以提供用于在線數(shù)據(jù)分析和數(shù)據(jù)挖掘的數(shù)據(jù)平臺。

如何進行數(shù)據(jù)處理和分析？

步驟1：收集資料

對于企業(yè)來說，無論是新實施的系統(tǒng)還是舊的系統(tǒng)，要實施大數(shù)據(jù)分析平臺，首先都需要了解需要收集哪些數(shù)據(jù)?？紤]到數(shù)據(jù)收集的難度和成本，大數(shù)據(jù)分析平臺并不收集企業(yè)的所有數(shù)據(jù)，而是直接或間接相關(guān)的數(shù)據(jù)。企業(yè)應該知道哪些數(shù)據(jù)可用于戰(zhàn)略決策或某些詳細的決策，并且分析后的數(shù)據(jù)的結(jié)果是有價值的，這也是考驗一個數(shù)據(jù)分析師的能力。例如，一家企業(yè)只想了解生產(chǎn)線設備的運行狀態(tài)。此時，僅需要收集影響生產(chǎn)線設備性能的關(guān)鍵參數(shù)。再例如，在產(chǎn)品售后服務中，公司需要了解產(chǎn)品使用狀態(tài)，購買組別和其他信息，這些數(shù)據(jù)對于支持新產(chǎn)品開發(fā)和市場預測非常重要。因此，建議公司在執(zhí)行大數(shù)據(jù)分析計劃時對項目目標進行準確的分析，這更容易實現(xiàn)業(yè)務目標。

大數(shù)據(jù)收集過程的困難主要是由于并發(fā)數(shù)量高，因為可能有成千上萬的用戶同時訪問和操作，例如12306網(wǎng)和淘寶網(wǎng)，他們的并發(fā)訪問量在2007年達到了數(shù)百人。因此您需要在集合端部署大量數(shù)據(jù)庫以提供支持。而如何在這些數(shù)據(jù)庫之間執(zhí)行負載平衡和分片也需要深入思考。

步驟2：導入和預處理數(shù)據(jù)

收集過程只是構(gòu)建大數(shù)據(jù)平臺的第一步。在確定需要收集哪些數(shù)據(jù)之后，下一步需要統(tǒng)一處理不同來源的數(shù)據(jù)。例如，在智能工廠中，可能存在視頻監(jiān)控數(shù)據(jù)，設備操作數(shù)據(jù)，材料消耗數(shù)據(jù)等。這些數(shù)據(jù)可以是結(jié)構(gòu)化的或非結(jié)構(gòu)化的。目前，企業(yè)需要使用ETL工具從分布式和異構(gòu)數(shù)據(jù)源（例如關(guān)系數(shù)據(jù)和平面數(shù)據(jù)文件）中提取數(shù)據(jù)到臨時中間層進行清理，轉(zhuǎn)換和集成，并將這些數(shù)據(jù)從前端導入到集中式大型分布式數(shù)據(jù)庫或分布式存儲集群最終被加載到數(shù)據(jù)倉庫或數(shù)據(jù)集市中，并成為在線分析處理和數(shù)據(jù)挖掘的基礎。對于數(shù)據(jù)源的導入和預處理，最大的挑戰(zhàn)主要是導入的數(shù)據(jù)量，每秒的導入量通常達到100萬億甚至千兆位。

步驟3：統(tǒng)計分析

統(tǒng)計和分析主要使用分布式數(shù)據(jù)庫或分布式計算集群對存儲在其中的海量數(shù)據(jù)進行常規(guī)分析和分類，以滿足最常見的分析需求。在這方面，一些實時需求將使用EMC的GreenPlum，Oracle的Exadata和基于MySQL的列式存儲Infobright等，而一些批處理或基于半結(jié)構(gòu)化數(shù)據(jù)的需求則可以使用hadoop。數(shù)據(jù)的統(tǒng)計分析方法很多，例如假設檢驗，顯著意義檢驗，差異分析，相關(guān)分析，T檢驗，方差分析，卡方分析，偏相關(guān)分析，距離分析，回歸分析，簡單回歸分析，多元回歸分析，逐步回歸，回歸預測和殘差分析，嶺回歸，邏輯回歸分析，曲線估計，因子分析，聚類分析，主成分分析，因子分析，快速聚類和聚類方法，判別分析，對應分析，多元對應分析（最佳規(guī)模分析），自舉技術(shù)等。在統(tǒng)計和分析部分，主要特征和挑戰(zhàn)是分析中涉及的大量數(shù)據(jù)，這將大大占用系統(tǒng)資源，尤其是I / O。

步驟4：價值挖掘

與以前的統(tǒng)計和分析過程不同，數(shù)據(jù)挖掘通常沒有任何預設的主題，主要是基于對現(xiàn)有數(shù)據(jù)的各種算法的計算，從而達到預測的效果，以實現(xiàn)一些高級的數(shù)據(jù)分析需求目的。典型的算法包括用于聚類的Kmeans，用于統(tǒng)計學習的SVM和用于分類的NaiveBayes。使用的主要工具是Mahout for Hadoop。該過程的特點和挑戰(zhàn)主要在于用于挖掘的算法非常復雜，并且計算中涉及的數(shù)據(jù)量和計算量非常大。常用的數(shù)據(jù)挖掘算法主要是單線程的。

以上信息均由億信華辰小編整理發(fā)布，如若轉(zhuǎn)載，請標明出處！