㈠ 怎樣用好大數據
秘訣一：目標要明確
就算一個公司擁有再多的數據，也不能代表它就一定會獲得商業上的成功。只有真正懂得如何利用大數據，了解到公司利用大數據可以達到什麼目標，公司最終才有可能真正成功。在公司在發展過程中往往也會面臨諸多選擇，也只有目標設定明確了，才能夠縮小選擇范圍聚焦精力去發展。企業應時刻保持頭腦清醒，朝著自己定好的目標前進，才有助於公司進行持續長久的良好運作。
秘訣二：要區分清楚「森林」和「樹」
現在，企業可以做到一些他們以往沒有能力做到的事。對於很多公司來說，可供分析的數據更多，可以用來分析數據的工具和方法也比以前更先進方便。公司已經完全有能力去分析和處理他們收集到的大量數據，這對於企業來說或許是件好事，然而，有時候這些數據也會過於分散。
秘訣三：做好團隊的協調
在大數據的世界裡，最有價值和作用的數據往往十分稀少。要想找到真正有價值的數據，就如同大海撈針一樣困難。所以，為了找到這些有價值的數據，企業內部應齊心協力通力合作，要經常保持有效的溝通和協作。
秘訣四：用機器代替人工
機器學習指計算機模擬或實現人類的學習行為，以獲取新的知識或技能，從而對自身功能進行改進。機器學習相比人工學習，速度更快，學習規模也更大，一個公司能通過機器學習較快地發現新的問題。
秘訣五：要謹慎對待數據
有時，企業是沒有能力去獲取數據的，也就沒法用數據去解決問題。就算公司獲得了一些數據，他們往往也不清楚這些數據最終能否解決他們的問題。
㈡ 如何有效利用大數據分析
1.可視化分析
大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。
2. 數據挖掘演算法
大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統
計
學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如
果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。
3. 預測性分析
大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。
4. 語義引擎
非結構化數據的多元化給數據分析帶來新的挑戰，我們需要一套工具系統的去分析，提煉數據。語義引擎需要設計到有足夠的人工智慧以足以從數據中主動地提取信息。
5.數據質量和數據管理。 大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。
大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。
大數據的技術
數據採集： ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。
數據存取： 關系資料庫、NOSQL、SQL等。
基礎架構： 雲存儲、分布式文件存儲等。
數
據處理： 自然語言處理(NLP，Natural Language
Processing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機」理解」自然語言，所以自然語言處理又叫做自然語言理
解也稱為計算語言學。一方面它是語言信息處理的一個分支，另一方面它是人工智慧的核心課題之一。
統計分析：
假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、 方差分析 、
卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic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、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。
數
據挖掘： 分類
（Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity
grouping or association rules）、聚類（Clustering）、描述和可視化、Description and
Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
模型預測 ：預測模型、機器學習、建模模擬。
結果呈現： 雲計算、標簽雲、關系圖等。
大數據的處理
1. 大數據處理之一：採集
大
數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的
數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除
此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。
在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時
有可能會有成千上萬的用戶
來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間
進行負載均衡和分片的確是需要深入的思考和設計。
2. 大數據處理之二：導入/預處理
雖然採集端本身會有很多資料庫，但是如果要對這些
海量數據進行有效的分析，還是應該將這
些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使
用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。
導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
3. 大數據處理之三：統計/分析
統
計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通
的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於
MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。
統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
4. 大數據處理之四：挖掘
與
前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數
據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於
統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並
且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。
整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。
㈢ 作為個人怎麼學習和利用大數據
1/10
【了解自身學習大數據的目的】每個人都有自己的想法，學習大數據的目的是什麼，是學會分析，還是學會管理呢。
2/10
【制定學習大數據的計劃】，在學習的過程中，沒有計劃，估計是達不到理想的彼岸的。一個好的計劃是詳細合理的，是張弛有度的。
3/10
【三人必有我師】向他人學習，在現代社會里，大數據的思維，每個人都會擁有，只有不斷向他人學習，才能更好的提高之間，多問為什麼，根究5個w原則去做吧。
4/10
【互聯網很強大】利用網路資源去學習，網路時代，各種網路視頻教學平台都有資料、信息，只有跟上時代節奏，才不會落伍。
5/10
【樂於操作、沉得下來】如果你學習大數據沉不下來，建議你別學，因為這需要很大的耐心，去處理、分析、解決大量的數據，需要不斷去思考，沉得下來，才能進步。
6/10
【學好數學及建模】數學來源於生活，數據也是來源於生活，計算機以邏輯說話，數學乃邏輯的先祖，學好數學，懂得原理，學會建立相關模型是非常有必要的。
查看剩餘1張圖
7/10
【學會計算機編程】學好大數據，沒有點兒編程基礎怎能行呢，如計算機基礎，數據結構，網路基礎，資料庫等等知識。
8/10
【學習Python R SAS 等軟體及演算法】大數據時代，需要的不只是網路架構、數據倉的管理維護，最終是需要進行編程與分析的分析，而python 和R SAS 是這方面的先鋒者，需要追隨他們哦。
查看剩餘1張圖
9/10
【學會編輯論文】因為大數據需要的不是一堆數字，而是用文章表述出來，編輯好的論文勝過好的數據結果。