随着网络普及度的提升，以及互联网行业的迅速发展，大家每天都会接收到数量庞大的信息，在这个信息爆炸的时代，如何管理这些数据，并从这些数据中提取有用的信息是首先要解决的问题，在这种背景下，大数据分析平台的使用就很有意义了。那么如何搭建大数据分析平台呢？
整体思路：明确业务场景需求，基于数据体量选定平台框架和功能组件
在搭建大数据分析平台前，用户首先要明确自身的数据体量和业务场景需求，希望通过大数据分析平台得到哪些信息，需要接入哪些数据，进行哪些主题分析，最终实现哪些功能。在明确大数据分析平台需要具备的基本功能后，再决定平台搭建过程中使用的大数据处理框架和工具，并将其有机结合以完成海量数据的挖掘和分析。在构建大数据分析平台时，首先要建设企业的基础数据中心，构建统一的数据存储体系，统一数据建模。其次，集中组建数据处理中心，下沉数据处理能力，并通过统一的数据管理监控体系，保障平台系统的稳定运行。最后，构建数据应用中心，统一输出数据服务，满足业务需求，体现数据价值。
能力建设：基于场景需求，选定分析指标，通过模型训练构建分析能力
大数据分析平台的建设核心是分析能力的建设。不论用户采用何种部署方式，数据分析能力的建设都万变不离其宗。首先，根据业务场景需求选定指标进行建模，重点建设数据构造、合并和统计处理的运算能力。接着进行模型训练，从大量有噪声的、不完全的、模糊和随机的数据中挖掘多源多维数据间的关联性。通过多维分析数据，加深对数据的理解，提取可能对业务结果相关的影响因子，探索数据的内在规律特征，并寻找模型最佳参数，支撑分析模型对业务的定量和定性分析。在完成指标建模、模型训练后，对满足业务分析需求的模型进行部署调试，形成可被调用的服务能力，为其它业务系统、模型提供数据分析能力。此外，大数据分析平台应具备基础框架功能，支持多厂家、多技术类型模型导入，提供对应功能和工作流程设计，保障分析能力实施落地。
部署方式：依据行业特征、数据体量以及场景需要自由选择部署方式
大数据分析平台的部署方式主要分为本地化部署和云上部署。本地化部署根据用户数据体量的大小，又可分为基于Hadoop生态的平台搭建和“数据库+AP分析引擎”的数仓方案。本地化部署的优点是自主可控和灵活度高，缺点是性能调优和运维复杂，自身技术能力要求和综合成本高。云上部署以公有云厂商提供的“低成本存储+弹性存算引擎”的数据湖方案为主，在保留HDFS集群分布式存储可靠性和高吞吐能力的前提下，提供一站式云上PaaS能力，实现各类数据快速便捷入湖，用户无需考虑兼容、安全、性能调优以及运维。尽管国内主流数据湖方案的底层存储系统仍以Hadoop的分布式架构构建为主，但架构上层拥有的读写优化、内存加速、数据融合等特性是云原生数据湖融合第三方开源组件的价值体现，是本地化部署的Hadoop方案所不具备的。
