估計大家聽大數據聽得太多，耳朵都快起繭了吧？誰要IT界不如娛樂界那么精彩熱鬧，幾年才憋出一個流行詞，自然大家只要提到數據，都說“大”；提到服務，都說“云”。

言歸正傳，你弄明白大數據分析要分析什么數據了嗎？（弄明白的高手可以直接飄過；沒弄明白的，看下面的內容能不能漲姿勢）

我們先來簡單聊幾句有關大數據分析工具的背景。無需置疑，現在大數據平臺和大數據分析工具日益普及，作用是可以幫助企業收集和分析數據，好處是可以尋找有價值的商業信息和洞察，以改進產品與服務。大數據分析工具用于分析數據，可以開發預測模型（predictive model）和規范模型（prescriptive model）。在現代化的業務流程應用中，嵌入這些模型能夠提高企業的生產力和價值。同時，使用大數據分析工具可以輕松進行擴展，獲取通常在大數據平臺才有的可用資源。

其實，大數據分析工具經常提供的技術，一般而言，都不算什么新鮮事物。只是到最近這幾年，數據挖掘算法的強大功能才被主流商業用戶采用，它可以結合海量數據、多種數據類型和不同的數據結構，對數據集進行預測性分析（predictive analyses）和規范性分析（prescriptive analyses）。

但在用戶看來，大數據分析仍然是一種新興的企業級功能，要像靠它達到預期收益，一定存在風險，還要投入很大的時間成本。所以，在決定投身之前，一定要弄清楚怎樣判斷什么樣的大數據分析適合你的企業？

[[149561]]

有一個概念可以很清楚地區分大數據分析和其他形式的分析：要分析的數據有多大的數據量、數據規模如何和數據是否呈多樣性。在過去，通常是從非常大的數據庫中提取樣本數據集，建立分析模型，然后通過測試再調整的過程加以改進。而現在，隨著計算平臺能夠提供可擴展的存儲和計算能力，可分析的數據量幾乎不再受任何限制。這意味著，實時預測性分析和訪問大量正確的數據可以幫助企業改善業績。這樣的機會取決于企業能否整合和分析不同類型大數據。以下四大類數據就是大數據要分析的數據類型：

交易數據（Transaction data）

大數據平臺能夠獲取時間跨度更大、更海量的結構化交易數據，這樣就可以對更廣泛的交易數據類型進行分析，不僅僅包括POS或電子商務購物數據，還包括行為交易數據，例如Web服務器記錄的互聯網點擊流數據日志。

人為數據（Human-generated data）

非結構數據廣泛存在于電子郵件、文檔、圖片、音頻、視頻，以及通過博客、維基，尤其是社交媒體產生的數據流。這些數據為使用文本分析功能進行分析提供了豐富的數據源泉。

移動數據（Mobile data）

能夠上網的智能手機和平板越來越普遍。這些移動設備上的App都能夠追蹤和溝通無數事件，從App內的交易數據（如搜索產品的記錄事件）到個人信息資料或狀態報告事件（如地點變更即報告一個新的地理編碼）。

機器和傳感器數據（Machine and sensor data）

這包括功能設備創建或生成的數據，例如智能電表、智能溫度控制器、工廠機器和連接互聯網的家用電器。這些設備可以配置為與互聯網絡中的其他節點通信，還可以自動向中央服務器傳輸數據，這樣就可以對數據進行分析。機器和傳感器數據是來自新興的物聯網（IoT）所產生的主要例子。來自物聯網的數據可以用于構建分析模型，連續監測預測性行為（如當傳感器值表示有問題時進行識別），提供規定的指令（如警示技術人員在真正出問題之前檢查設備）。