最近有一則這樣的笑話在網(wǎng)上流程開來，“有一個美國數(shù)學教授平生最怕坐飛機，他研究了近20年的統(tǒng)計數(shù)據(jù)，發(fā)現(xiàn)恐怖分子帶炸彈上飛機的幾率其實非常低，但是他還不安心，他又進一步研究數(shù)據(jù)發(fā)現(xiàn)，兩個人同時帶炸彈上飛機的幾率幾乎為零，于是從此他坐飛機都自己攜帶一枚炸彈。”這雖然是一個簡單笑話，但卻是一個大數(shù)據(jù)分析的真實案例。這名科學家最終的做法固然可笑，但是在整個過程中，他收集整理了20年來與之相關(guān)的數(shù)據(jù)，包括天氣數(shù)據(jù)、航班信息、新聞事件、乘客信息、出租車信息、交通信息、監(jiān)控信息等等大量的相關(guān)數(shù)據(jù)，通過自己的研究，整理和分析了數(shù)據(jù)之間的相關(guān)性，構(gòu)建了數(shù)據(jù)分析模型，并最終得出了分析結(jié)果。那么，什么才是大數(shù)據(jù)呢？
"大數(shù)據(jù)"是一個體量特別大，數(shù)據(jù)類別特別大的數(shù)據(jù)集，并且這樣的數(shù)據(jù)集無法用傳統(tǒng)數(shù)據(jù)庫工具對其內(nèi)容進行抓取、管理和處理。 "大數(shù)據(jù)"首先是指數(shù)據(jù)體量(volumes)?大，指代大型數(shù)據(jù)集，一般在10TB?規(guī)模左右，但在實際應用中，很多企業(yè)用戶把多個數(shù)據(jù)集放在一起，已經(jīng)形成了PB級的數(shù)據(jù)量；其次是指數(shù)據(jù)類別(variety)大，數(shù)據(jù)來自多種數(shù)據(jù)源，數(shù)據(jù)種類和格式日漸豐富，已沖破了以前所限定的結(jié)構(gòu)化數(shù)據(jù)范疇，囊括了半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。接著是數(shù)據(jù)處理速度（Velocity）快，在數(shù)據(jù)量非常龐大的情況下，也能夠做到數(shù)據(jù)的實時處理。最后一個特點是指數(shù)據(jù)真實性（Veracity）高，隨著社交數(shù)據(jù)、企業(yè)內(nèi)容、交易與應用數(shù)據(jù)等新數(shù)據(jù)源的興趣，傳統(tǒng)數(shù)據(jù)源的局限被打破，企業(yè)愈發(fā)需要有效的信息之力以確保其真實性及安全性。
"大數(shù)據(jù)"的概念遠不止大量的數(shù)據(jù)（TB）和處理大量數(shù)據(jù)的技術(shù)，而是涵蓋了人們在大規(guī)模數(shù)據(jù)的基礎上可以做的事情，而這些事情在小規(guī)模數(shù)據(jù)的基礎上是無法實現(xiàn)的。換句話說，大數(shù)據(jù)讓我們以一種前所未有的方式，通過對海量數(shù)據(jù)進行分析，獲得有巨大價值的產(chǎn)品和服務，或深刻的洞見，最終形成創(chuàng)新之力。
由此可見，大數(shù)據(jù)的建設，我們首先要明確我們分析的目標，需要具備一個高性能的、大容量的具備數(shù)據(jù)采集、存儲、分析和展現(xiàn)能力的那么一個平臺或者系統(tǒng)。這就需要考慮以下幾個問題：數(shù)據(jù)從何而來？海量的數(shù)據(jù)如何存儲？這么多相關(guān)或非相關(guān)的數(shù)據(jù)怎么分析？分析出來結(jié)果如何展示？因此考慮上述問題，大數(shù)據(jù)分析不應該是一個系統(tǒng)，而應該一個平臺，是一個可以收集存儲不同格式不同規(guī)模的海量數(shù)據(jù)的高度數(shù)據(jù)共享的平臺，是一個隨時根據(jù)需求建立模型分析和展示不同結(jié)果的平臺。 1.      數(shù)據(jù)采集
大數(shù)據(jù)的采集是指利用多個數(shù)據(jù)庫來接收發(fā)自客戶端（Web、App或者傳感器形式等）的數(shù)據(jù)，并且用戶可以通過這些數(shù)據(jù)庫來進行簡單的查詢和處理工作。比如使用傳統(tǒng)的關(guān)系型數(shù)據(jù)庫MySQL和Oracle等來存儲數(shù)據(jù)，除此之外，Redis和MongoDB這樣的NoSQL數(shù)據(jù)庫也常用于數(shù)據(jù)的采集。
 　　在大數(shù)據(jù)的采集過程中，其主要特點和挑戰(zhàn)是并發(fā)數(shù)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(wǎng)站和淘寶，它們并發(fā)的訪問量在峰值時達到上百萬，所以需要在采集端部署大量數(shù)據(jù)庫才能支撐。并且如何在這些數(shù)據(jù)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.      數(shù)據(jù)預處理
雖然采集端本身會有很多數(shù)據(jù)庫，但是如果要對這些海量數(shù)據(jù)進行有效的分析，還是應該將這些來自前端的數(shù)據(jù)導入到一個集中的大型分布式數(shù)據(jù)庫，或者分布式存儲集群，并且可以在導入基礎上做一些簡單的清洗和預處理工作。導入與預處理過程的特點和挑戰(zhàn)主要是導入的數(shù)據(jù)量大，每秒鐘的導入量經(jīng)常會達到百兆，甚至千兆級別。
3.      數(shù)據(jù)分析
統(tǒng)計與分析主要利用分布式數(shù)據(jù)庫，或者分布式計算集群來對存儲于其內(nèi)的海量數(shù)據(jù)進行普通的分析和分類匯總等，以滿足大多數(shù)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，以及基于MySQL的列式存儲Infobright等，而一些批處理，或者基于半結(jié)構(gòu)化數(shù)據(jù)的需求可以使用Hadoop。統(tǒng)計與分析這部分的主要特點和挑戰(zhàn)是分析涉及的數(shù)據(jù)量大，其對系統(tǒng)資源，特別是I/O會有極大的占用。
4.      數(shù)據(jù)挖掘
與前面統(tǒng)計和分析過程不同的是，數(shù)據(jù)挖掘一般沒有什么預先設定好的主題，主要是在現(xiàn)有數(shù)據(jù)上面進行基于各種算法的計算，從而起到預測（Predict）的效果，從而實現(xiàn)一些高級別數(shù)據(jù)分析的需求。比較典型算法有用于聚類的Kmeans、用于統(tǒng)計學習的SVM和用于分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰(zhàn)主要是用于挖掘的算法很復雜，并且計算涉及的數(shù)據(jù)量和計算量都很大，常用數(shù)據(jù)挖掘算法都以單線程為主。
5.      結(jié)果呈現(xiàn)
    當通過分析子系統(tǒng)對數(shù)據(jù)分析和處理完畢，需要從在獨立的數(shù)據(jù)庫存放計算和分析結(jié)果，并最終通過分析展示子系統(tǒng)將分析結(jié)果展現(xiàn)給數(shù)據(jù)需求者。分析展示子系統(tǒng)采用B/S架構(gòu)構(gòu)建一個Web應用，可以是更多的用戶以最便捷的方式查看到分析結(jié)果。
  上述內(nèi)容就是普遍的一個大數(shù)據(jù)分析的基本步驟，大數(shù)據(jù)分析平臺是運用了多種技術(shù)構(gòu)建的一個整體，對基礎設施建設具有很高要求，也是實現(xiàn)大數(shù)據(jù)分析平臺的關(guān)鍵，而分析模型和方法建立則是大數(shù)據(jù)分析的核心，其中每一個環(huán)節(jié)都包含了大量技術(shù)應用。例如：
數(shù)據(jù)采集：ETL工具負責將分布的、異構(gòu)數(shù)據(jù)源中的數(shù)據(jù)如關(guān)系數(shù)據(jù)、平面數(shù)據(jù)文件等抽取到臨時中間層后進行清洗、轉(zhuǎn)換、集成，最后加載到數(shù)據(jù)倉庫或數(shù)據(jù)集市中，成為聯(lián)機分析處理、數(shù)據(jù)挖掘的基礎。
數(shù)據(jù)存取：關(guān)系數(shù)據(jù)庫、NOSQL、SQL等。
基礎架構(gòu)：云存儲、分布式文件存儲等。
數(shù)據(jù)處理：自然語言處理(NLP，NaturalLanguageProcessing)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(guān)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(NLU，NaturalLanguage Understanding)，也稱為計算語言學(Computational Linguistics。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能(AI, Artificial Intelligence)的核心課題之一。
統(tǒng)計分析：假設檢驗、顯著性檢驗、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(yōu)尺度分析）、bootstrap技術(shù)等等。
數(shù)據(jù)挖掘：分類 （Classification）、估計（Estimation）、預測（Prediction）、相關(guān)性分組或關(guān)聯(lián)規(guī)則（Affinity grouping or association rules）、聚類（Clustering）、描述和可視化、Description and Visualization）、復雜數(shù)據(jù)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、建模仿真。
結(jié)果呈現(xiàn)：云計算、標簽云、關(guān)系圖等。（彭勇）