你需要知道的大数据

分析大量数据只是使大数据分析与以前的数据分析不同的一部分。我们还要了解其它方面。

先有数据，然后是大数据。那么，它们有什么区别？

定义大数据

一般而言，大数据是指容量庞大的数据集，大到传统的数据处理软件产品无法在合理的时间内捕获、管理和处理数据。

这些大数据集可以包括结构化数据、非结构化数据和半结构化数据，人们可以从每个数据挖掘到洞察。

多大的数据才算得上“大”尚无定论，但它通常可能是几个拍字节（petabyte），并且对于艾字节（exabyte）范围中的最大项目也是如此。

通常，大数据的特点是三个V：

极大的数据量

各种类型的数据

数据得到处理和分析的速度

构成大数据存储中的数据可以来自网站、社交媒体、台式机和移动应用、科学实验以及物联网（IoT）中日益增多的传感器和其他设备。

大数据的概念带有一组相关组件，这些组件使组织可以使数据得到实际应用并解决一些业务问题。这包括用来支持大数据所需的IT基础设施、应用于数据的分析、大数据项目所需的技术、一系列有关的技能、以及对大数据很重要的实际用例。

大数据和分析

真正能从组织所收集的所有大数据中实现价值的东西是应用于数据的分析。没有分析的话，这只是一大堆商业用途十分有限的数据。

企业通过将分析应用于大数据就可以看到销售额的增长、客户服务的改善、效率的提高以及竞争力得到全面提升等优势。

数据分析包括检查数据集以获得洞察或得出关于它们包含的内容的结论，例如关于未来活动的趋势和预测。

组织通过数据分析可以做出更明智的业务决策，例如何时何地进行营销活动或引入新产品或服务。

分析可以指基本的商业智能应用程序或更高级的预测分析，例如科学机构所使用的分析。最先进的数据分析类型是数据挖掘，分析师在这里评估大型数据集以确定关系、模式和趋势。

数据分析可以包括探索性数据分析（识别数据中的模式和关系）和验证性数据分析（应用统计方法来确定关于特定数据集的假设是否属实）。

另一个区别是定量数据分析（或对具有可以统计比较的可量化变量的数字数据的分析）与定性数据分析（其侧重于非数字数据，如视频、图像和文本）。

支持大数据的IT基础设施

要让大数据的概念发挥作用，组织需要有合适的基础设施来收集和存储数据、提供对数据的访问并保护信息在存储和传输过程中的安全。

这在较高的层面上还包括为大数据，数据管理和集成软件，商业智能和数据分析软件以及大数据应用设计的存储系统和服务器。

由于公司希望继续利用其数据中心投资，大部分这种基础设施可能会在本地部署。但越来越多的组织依靠云计算服务来处理他们的大部分大数据需求。

数据收集需要有收集数据的来源。其中有很多来源——如Web应用程序、社交媒体渠道、移动应用程序和电子邮件存档——已经就位。但随着物联网的逐渐成熟，企业可能需要在各种设备、车辆和产品上部署传感器、以及生成用户数据的新应用程序来收集数据。（面向物联网的大数据分析具有自身的专业技术和工具。）

为了存储所有传入的数据，组织需要有足够的数据存储。存储选项包括传统的数据仓库，数据湖泊和基于云的存储。

安全基础架构工具可能包括数据加密、用户身份验证和其它访问控制、监控系统、防火墙、企业移动管理以及其它保护系统和数据的产品，

大数据特有的技术

一般来说，除了上述用于数据的IT基础架构之外。你的IT基础架构应该支持大数据特有的几种技术。

Hadoop生态系统

Hadoop是其中一项与大数据密切相关的技术。Apache Hadoop项目为可扩展的分布式计算开发开源软件。

Hadoop软件库是一个框架，该框架支持使用简单的编程模型在计算机集群中对大数据集进行分布式处理。它旨在从单个服务器扩展到数千个，每个服务器都提供本地计算和存储。

该项目包括几个模块：

Hadoop Common是支持其它Hadoop模块的通用工具

Hadoop分布式文件系统，它可以为应用程序数据提供高吞吐量的访问

Hadoop YARN是一个作业调度和集群资源管理的框架

Hadoop MapReduce是一个基于YARN的大数据集并行处理系统。

Apache Spark

作为Hadoop生态系统的一部分的Apache Spark是一个开源的集群计算框架，它可充当在Hadoop中处理大数据的引擎。Spark已经成为关键的大数据分布式处理框架之一，而且它可以通过多种方式进行部署。它为Java、Scala、Python（尤其是Natrona Python发行版）和R编程语言（R特别适用于大数据）提供本地绑定，它还支持SQL、流数据、机器学习和图形处理。

数据湖泊

数据湖泊是存储库，这个存储库可以容纳大量以原始格式的形式存在的数据，直到业务用户需要数据为止。数字化转型举措和物联网的发展是数据湖泊发展的推手。数据湖的宗旨是，在用户有需求时，使他们更轻松地访问大量的数据。

NoSQL数据库

常规的SQL数据库是为可靠的事务（transactions）和即时查询（ad hoc queries）而设计的，但它们具有严谨架构（schema）之类的限制，这些限制使得它们不太适合某些类型的应用程序。NoSQL数据库解决了这些限制，并以这样的方式存储和管理数据——将高操作速度和巨大的灵活性考虑进来。很多NoSQL数据库都是由这样的公司开发的——这些公司追求能为大量网站存储内容或处理数据的更好的方法。NoSQL数据库与SQL数据库不同的是，前者可以在数百或数千台服务器上水平扩大和缩小规模。

内存数据库

内存数据库（IMDB）是一种数据库管理系统，它主要依靠主存储器而不是磁盘来存储数据。内存数据库比磁盘优化的数据库运行得更快，这是大数据分析使用和数据仓库和数据集市创建的重要考虑因素。

大数据技能

大数据和大数据分析工作需要特定的技能，无论这些技能是从组织内部还是外部专家那里获取。

这其中有很多技能都与关键的大数据技术组件相关，如Hadoop、Spark、NoSQL数据库，内存数据库和分析软件。

其它技能则针对数据科学、数据挖掘、统计和定量分析、数据可视化、通用编程以及数据结构和算法等学科。我们还需要具备全面管理技能的人员来完成大数据项目。

鉴于大数据分析项目的普遍性在以及这一系列技能的人才的短缺，寻找有经验的专业人员可能是组织面临的最大挑战之一。

大数据用例

大数据和分析可以应用于很多业务问题和用例。下面就是几个例子：

客户分析。公司可以检验客户数据以改善客户体验，提高转化率并增加留存率。

运营分析。提高运营绩效并更好地利用企业资产是很多公司的目标。大数据分析可以帮助企业找到更高效地运营的方法，以及提高绩效的方法。

预防诈骗。数据分析有助于发现可能表明出欺诈行为的可疑活动和模式，并有助于降低风险。

价格优化。公司可以使用大数据分析来优化他们为产品和服务收取的价格，从而帮助提高收入。