海量数据分析包括以下五个基本方面：

    1.分析Visualizations(视觉分析)

    无论是对于数据分析专家还是普通用户，数据可视化是数据分析工具最基本的需求。

    2.DataMiningAlgorithms(数据挖掘算法)

    可视化是给人看的，数据挖掘是给机器看的。集群、分割、孤立点分析等算法可以让我们深入数据，挖掘有价值。

    3.PredictiveAnalyticCapabilities(预测分析能力)

    数据采掘可以帮助分析师更好地理解数据，而预测分析可以让分析师基于可视化分析和数据挖掘的结果做出一些预测性的判断。

    4.SemanticEngines(语义引擎)

    由于非结构化数据的多样性给数据分析带来了新的挑战，我们需要一系列的工具来分析、提取和分析数据。

    5.DataQualityandMasterDataManagement(数据质量和数据管理)

    一些管理最佳实践是数据质量和数据管理。用标准化的过程和工具来处理数据，可以确保一个预定义的高质量的分析结果。

    大数据分析五大步骤。

    （一）确定问题。

    大数据分析的第一步是明确需要回答的问题。界定问题有两个标准，一是明确，二是符合实际。

    （二）数据可行性论证。

    证明现有数据是否足够丰富、精确到能够回答问题是大数据分析的第二步，项目是否可行取决于这一步的结论。

    （三）编制数据。

    资料准备环节需要梳理和分析每一项的数据，为下一步建模做好充分准备。这一准备可分为数据采集准备和清洗整理两个步骤。

    （四）制定模式。

    大数据分析项目所需的模型可分为两类。对这两类模型，团队需要在建立模型、证明模型可靠性上下功夫。

    （五）评估结果。

    评价结果阶段是评估以上步骤所得结果是否足够严谨和可靠，并确保数据分析结果有助于决策。评价结果包括定量评价和定性评价两部分。

    运用大数据。

    大数据可以应用于各行各业，将人们收集的海量数据进行分析整理，实现信息的高效利用。举例来说，找出奶牛产奶相关的主效基因，就可以先扫描奶牛的整个基因组，但由于已获得了全部的表型信息和基因信息，这就要求分析、比较、挖掘主效基因，利用大数据技术进行分析和挖掘。

    大数据的意义与展望

    总体而言，大数据是对大量、动态、可持续的数据，通过挖掘新系统、新工具、新模式，以获得具有洞察力和新价值的信息。从前，面对庞大的数据，我们可能会一叶障目，无法认识事物的真正本质，因而无法对科学工作作出错误的推论，而大数据时代的到来，一切的真相都会浮现在我眼前。

    海量数据开发。

    无论是传统的OLAP技术还是数据挖掘技术，传统的数据方法很难应对大数据的挑战。第一，执行效率低下。目前，传统的数据挖掘技术都是基于集中式软件体系结构的，难以并行化，因此TB级以上数据处理效率低下。第二，数据分析的准确度很难随着数据量的提高而提高，尤其是对非结构化数据的处理困难。

    全数数字化数据中，只有一个很小的一部分(约占总数据量的1%)得到深入分析和挖掘(例如回归、分类、聚类)；大型互联网企业对半结构化数据(如网页索引、社交数据)进行浅表分析(如排序)，占总量近60%的语音、视频等非结构化数据还难以进行有效分析。