大数据分析想必听上去并不陌生，它的应用范围也是十分的广泛，几乎各个行业领域都会有所涉及。而且大数据行业领域不仅有着一片大好的前景，而且薪资待遇方面也是十分的不错，备受人们的瞩目，很多人会选择加入到这个行业当中，但是这么火热的大数据分析究竟是什么呢？
一、大数据分析的定义
大数据分析是指对规模巨大的数据进行分析。大数据可以概括为5个V，数据量大(Volume)、速度快(Velocity)、类型多(Variety)、价值（Value）、真实性（Veracity）。大数据作为时下最火热的IT行业的词汇，随之而来的数据仓库、数据安全、数据分析、数据挖掘等等围绕大数据的商业价值的利用逐渐成为行业人士争相追捧的利润焦点。随着大数据时代的来临，大数据分析也应运而生。
二、大数据分析有什么作用？
1、能够使分析工作进行的更有条理
庞大的数据库通常都是杂乱无章的，从表面上也看不出数据之间到底存在着哪些必然的联系，人们在工作的过程中也很难一下子就能够记住那么多的数据，因为这些困难将会更大程度上阻碍工作的进程，同时也能够造成在工作处理进程上的一些混乱。而通过数据分析能够让数据变得可以可视化，而且更利于工作人员记住，从而更益于工作人员进行分类，这样就会使各项工作进行的更加清晰具有条理。
2、可以使分析的结果更加准确
当数据量逐渐开始庞大时，单用眼睛看，用脑袋记是会很容易出现混乱，而且计算的结果也很容易会的出错，有可能还会造成大量错误，而有了数据分析之后无论是条理上还是在层次上都会更变得加明了清晰，可以有效地确保分析结果能够准确无误。
3、能够提高工作效率
当在工作中遇到几千个甚至是几万个数据的时候，不仅会需要耗费大量的时间和精力来对其进行分类归纳，而且还需要在分类归纳的数据中找出数据和数据之间的一些内在关系，究竟是变量与变量间的关系，还是变量与定量间的关系，而这个关系的寻找就会需要在借助数据分析的作用。当有了数据分析，可以将数据之间的关系能够通过用其它方式来表现出来，比如说通过图表的变化关系从而去阐述数据之间的关系；通过
数据分析工具从而能够找到数据之间的内在规律。这样就能够大大节省在工作上的时间，从而能够更好地提高工作的效率。
三、大数据分析过程都包含了哪些内容
1、采集
大数据的采集是指利用多个数据库来接收发自客户端(Web、App或者传感器形式等)的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。
2、导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
3、统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
4、挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测(Predict)的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
