當(dāng)今社會(huì)，數(shù)據(jù)已成為某些企業(yè)的“根”。近年來(lái)越來(lái)越多的公司意識(shí)到數(shù)據(jù)分析可以帶來(lái)的價(jià)值，并搭上了大數(shù)據(jù)這趟“旅行車”。現(xiàn)實(shí)生活中現(xiàn)在所有事情都受到監(jiān)視及測(cè)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(wèn)題就來(lái)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(xì)微差異或錯(cuò)誤會(huì)導(dǎo)致重大問(wèn)題。

如何分析大數(shù)據(jù)？從以下六個(gè)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。可視化可以直觀地顯示數(shù)據(jù)，讓數(shù)據(jù)自己說(shuō)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(jī)器。聚類，細(xì)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(jià)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(yù)測(cè)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(yù)測(cè)分析則可以使分析師基于視覺(jué)分析和數(shù)據(jù)挖掘的結(jié)果做出一些預(yù)測(cè)性判斷。

4.語(yǔ)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(lái)了新的挑戰(zhàn)。我們需要一系列工具來(lái)解析，提取和分析數(shù)據(jù)。需要將語(yǔ)義引擎設(shè)計(jì)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(shí)踐。通過(guò)標(biāo)準(zhǔn)化流程和工具處理數(shù)據(jù)可以確保預(yù)先定義的高質(zhì)量分析結(jié)果。

如果大數(shù)據(jù)確實(shí)是下一個(gè)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(lái)的好處，而不僅僅是挑戰(zhàn)。

6.數(shù)據(jù)存儲(chǔ)，數(shù)據(jù)倉(cāng)庫(kù)

數(shù)據(jù)倉(cāng)庫(kù)是一個(gè)關(guān)系數(shù)據(jù)庫(kù)，旨在促進(jìn)以特定模式存儲(chǔ)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(shè)計(jì)中，數(shù)據(jù)倉(cāng)庫(kù)的建設(shè)是商業(yè)智能系統(tǒng)的關(guān)鍵和基礎(chǔ)。它承擔(dān)著集成業(yè)務(wù)系統(tǒng)數(shù)據(jù)的任務(wù)，為業(yè)務(wù)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(wèn)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(tái)。

如何進(jìn)行數(shù)據(jù)處理和分析？

步驟1：收集資料

對(duì)于企業(yè)來(lái)說(shuō)，無(wú)論是新實(shí)施的系統(tǒng)還是舊的系統(tǒng)，要實(shí)施大數(shù)據(jù)分析平臺(tái)，首先都需要了解需要收集哪些數(shù)據(jù)。考慮到數(shù)據(jù)收集的難度和成本，大數(shù)據(jù)分析平臺(tái)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(yīng)該知道哪些數(shù)據(jù)可用于戰(zhàn)略決策或某些詳細(xì)的決策，并且分析后的數(shù)據(jù)的結(jié)果是有價(jià)值的，這也是考驗(yàn)一個(gè)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(shè)備的運(yùn)行狀態(tài)。此時(shí)，僅需要收集影響生產(chǎn)線設(shè)備性能的關(guān)鍵參數(shù)。再例如，在產(chǎn)品售后服務(wù)中，公司需要了解產(chǎn)品使用狀態(tài)，購(gòu)買組別和其他信息，這些數(shù)據(jù)對(duì)于支持新產(chǎn)品開發(fā)和市場(chǎng)預(yù)測(cè)非常重要。因此，建議公司在執(zhí)行大數(shù)據(jù)分析計(jì)劃時(shí)對(duì)項(xiàng)目目標(biāo)進(jìn)行準(zhǔn)確的分析，這更容易實(shí)現(xiàn)業(yè)務(wù)目標(biāo)。

大數(shù)據(jù)收集過(guò)程的困難主要是由于并發(fā)數(shù)量高，因?yàn)榭赡苡谐汕先f(wàn)的用戶同時(shí)訪問(wèn)和操作，例如12306網(wǎng)和淘寶網(wǎng)，他們的并發(fā)訪問(wèn)量在2007年達(dá)到了數(shù)百人。因此您需要在集合端部署大量數(shù)據(jù)庫(kù)以提供支持。而如何在這些數(shù)據(jù)庫(kù)之間執(zhí)行負(fù)載平衡和分片也需要深入思考。

步驟2：導(dǎo)入和預(yù)處理數(shù)據(jù)

收集過(guò)程只是構(gòu)建大數(shù)據(jù)平臺(tái)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(lái)源的數(shù)據(jù)。例如，在智能工廠中，可能存在視頻監(jiān)控?cái)?shù)據(jù)，設(shè)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(shí)中間層進(jìn)行清理，轉(zhuǎn)換和集成，并將這些數(shù)據(jù)從前端導(dǎo)入到集中式大型分布式數(shù)據(jù)庫(kù)或分布式存儲(chǔ)集群最終被加載到數(shù)據(jù)倉(cāng)庫(kù)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(chǔ)。對(duì)于數(shù)據(jù)源的導(dǎo)入和預(yù)處理，最大的挑戰(zhàn)主要是導(dǎo)入的數(shù)據(jù)量，每秒的導(dǎo)入量通常達(dá)到100萬(wàn)億甚至千兆位。

步驟3：統(tǒng)計(jì)分析

統(tǒng)計(jì)和分析主要使用分布式數(shù)據(jù)庫(kù)或分布式計(jì)算集群對(duì)存儲(chǔ)在其中的海量數(shù)據(jù)進(jìn)行常規(guī)分析和分類，以滿足最常見(jiàn)的分析需求。在這方面，一些實(shí)時(shí)需求將使用EMC的GreenPlum，Oracle的Exadata和基于MySQL的列式存儲(chǔ)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(jì)分析方法很多，例如假設(shè)檢驗(yàn)，顯著意義檢驗(yàn)，差異分析，相關(guān)分析，T檢驗(yàn)，方差分析，卡方分析，偏相關(guān)分析，距離分析，回歸分析，簡(jiǎn)單回歸分析，多元回歸分析，逐步回歸，回歸預(yù)測(cè)和殘差分析，嶺回歸，邏輯回歸分析，曲線估計(jì)，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(duì)應(yīng)分析，多元對(duì)應(yīng)分析（最佳規(guī)模分析），自舉技術(shù)等。在統(tǒng)計(jì)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(jià)值挖掘

與以前的統(tǒng)計(jì)和分析過(guò)程不同，數(shù)據(jù)挖掘通常沒(méi)有任何預(yù)設(shè)的主題，主要是基于對(duì)現(xiàn)有數(shù)據(jù)的各種算法的計(jì)算，從而達(dá)到預(yù)測(cè)的效果，以實(shí)現(xiàn)一些高級(jí)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(jì)學(xué)習(xí)的SVM和用于分類的NaiveBayes。使用的主要工具是Mahout for Hadoop。該過(guò)程的特點(diǎn)和挑戰(zhàn)主要在于用于挖掘的算法非常復(fù)雜，并且計(jì)算中涉及的數(shù)據(jù)量和計(jì)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(qǐng)標(biāo)明出處！