Part 3.大數(shù)據(jù)存儲

　　大數(shù)據(jù)存儲與管理要用存儲器把采集到的數(shù)據(jù)存儲起來，建立相應(yīng)的數(shù)據(jù)庫，以便管理和調(diào)用。大數(shù)據(jù)存儲技術(shù)路線最典型的共有三種：

　　A. MPP架構(gòu)的新型數(shù)據(jù)庫集群

　　采用MPP架構(gòu)的新型數(shù)據(jù)庫集群，重點面向行業(yè)大數(shù)據(jù)，采用Shared Nothing架構(gòu)，通過列存儲、粗粒度索引等多項大數(shù)據(jù)處理技術(shù)，再結(jié)合MPP架構(gòu)高效的分布式計算模式，完成對分析類應(yīng)用的支撐，運行環(huán)境多為低成本 PC Server，具有高性能和高擴展性的特點，在企業(yè)分析類應(yīng)用領(lǐng)域獲得極其廣泛的應(yīng)用。這類MPP產(chǎn)品可以有效支撐PB級別的結(jié)構(gòu)化數(shù)據(jù)分析，這是傳統(tǒng)數(shù)據(jù)庫技術(shù)無法勝任的。對于企業(yè)新一代的數(shù)據(jù)倉庫和結(jié)構(gòu)化數(shù)據(jù)分析，目前最佳選擇是MPP數(shù)據(jù)庫。

　　B. 基于Hadoop的技術(shù)擴展和封裝

　　基于Hadoop的技術(shù)擴展和封裝，圍繞Hadoop衍生出相關(guān)的大數(shù)據(jù)技術(shù)，應(yīng)對傳統(tǒng)關(guān)系型數(shù)據(jù)庫較難處理的數(shù)據(jù)和場景，例如針對非結(jié)構(gòu)化數(shù)據(jù)的存儲和計算等，充分利用Hadoop開源的優(yōu)勢，伴隨相關(guān)技術(shù)的不斷進步，其應(yīng)用場景也將逐步擴大，目前最為典型的應(yīng)用場景就是通過擴展和封裝 Hadoop來實現(xiàn)對互聯(lián)網(wǎng)大數(shù)據(jù)存儲、分析的支撐。這里面有幾十種NoSQL技術(shù)，也在進一步的細分。對于非結(jié)構(gòu)、半結(jié)構(gòu)化數(shù)據(jù)處理、復(fù)雜的ETL流程、復(fù)雜的數(shù)據(jù)挖掘和計算模型，Hadoop平臺更擅長。

　　C. 大數(shù)據(jù)一體機

　　這是一種專為大數(shù)據(jù)的分析處理而設(shè)計的軟、硬件結(jié)合的產(chǎn)品，由一組集成的服務(wù)器、存儲設(shè)備、操作系統(tǒng)、數(shù)據(jù)庫管理系統(tǒng)以及為數(shù)據(jù)查詢、處理、分析用途而預(yù)先安裝及優(yōu)化的軟件組成，高性能大數(shù)據(jù)一體機具有良好的穩(wěn)定性和縱向擴展性。

　　Part 4.大數(shù)據(jù)分析挖掘

　　數(shù)據(jù)的分析與挖掘主要目的是把隱藏在一大批看來雜亂無章的數(shù)據(jù)中的信息集中起來，進行萃取、提煉，以找出潛在有用的信息和所研究對象的內(nèi)在規(guī)律的過程。主要從可視化分析、數(shù)據(jù)挖掘算法、預(yù)測性分析、語義引擎以及數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理五大方面進行著重分析。

　　A. 可視化分析

　　數(shù)據(jù)可視化主要是借助于圖形化手段，清晰有效地傳達與溝通信息。主要應(yīng)用于海量數(shù)據(jù)關(guān)聯(lián)分析，由于所涉及到的信息比較分散、數(shù)據(jù)結(jié)構(gòu)有可能不統(tǒng)一，借助功能強大的可視化數(shù)據(jù)分析平臺，可輔助人工操作將數(shù)據(jù)進行關(guān)聯(lián)分析，并做出完整的分析圖表，簡單明了、清晰直觀，更易于接受。

　　B. 數(shù)據(jù)挖掘算法

　　數(shù)據(jù)挖掘算法是根據(jù)數(shù)據(jù)創(chuàng)建數(shù)據(jù)挖掘模型的一組試探法和計算。為了創(chuàng)建該模型，算法將首先分析用戶提供的數(shù)據(jù)，針對特定類型的模式和趨勢進行查找。并使用分析結(jié)果定義用于創(chuàng)建挖掘模型的最佳參數(shù)，將這些參數(shù)應(yīng)用于整個數(shù)據(jù)集，以便提取可行模式和詳細統(tǒng)計信息。

　　大數(shù)據(jù)分析的理論核心就是數(shù)據(jù)挖掘算法，數(shù)據(jù)挖掘的算法多種多樣，不同的算法基于不同的數(shù)據(jù)類型和格式會呈現(xiàn)出數(shù)據(jù)所具備的不同特點。各類統(tǒng)計方法都能深入數(shù)據(jù)內(nèi)部，挖掘出數(shù)據(jù)的價值。

　　C. 預(yù)測性分析

　　大數(shù)據(jù)分析最重要的應(yīng)用領(lǐng)域之一就是預(yù)測性分析，預(yù)測性分析結(jié)合了多種高級分析功能，包括特別統(tǒng)計分析、預(yù)測建模、數(shù)據(jù)挖掘、文本分析、實體分析、優(yōu)化、實時評分、機器學(xué)習(xí)等，從而對未來，或其他不確定的事件進行預(yù)測。

　　從紛繁的數(shù)據(jù)中挖掘出其特點，可以幫助我們了解目前狀況以及確定下一步的行動方案，從依靠猜測進行決策轉(zhuǎn)變?yōu)橐揽款A(yù)測進行決策。它可幫助分析用戶的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中的趨勢、模式和關(guān)系，運用這些指標來洞察預(yù)測將來事件，并作出相應(yīng)的措施。

　　D. 語義引擎

　　語義引擎是是把已有的數(shù)據(jù)加上語義，可以把它想象成在現(xiàn)有結(jié)構(gòu)化或者非結(jié)構(gòu)化的數(shù)據(jù)庫上的一個語義疊加層。它語義技術(shù)最直接的應(yīng)用，可以將人們從繁瑣的搜索條目中解放出來，讓用戶更快、更準確、更全面地獲得所需信息，提高用戶的互聯(lián)網(wǎng)體驗。

　　E. 數(shù)據(jù)質(zhì)量管理

　　是指對數(shù)據(jù)從計劃、獲取、存儲、共享、維護、應(yīng)用、消亡生命周期的每個階段里可能引發(fā)的各類數(shù)據(jù)質(zhì)量問題，進行識別、度量、監(jiān)控、預(yù)警等一系列管理活動，并通過改善和提高組織的管理水平使得數(shù)據(jù)質(zhì)量獲得進一步提高。

　　對大數(shù)據(jù)進行有效分析的前提是必須要保證數(shù)據(jù)的質(zhì)量，高質(zhì)量的數(shù)據(jù)和有效的數(shù)據(jù)管理無論是在學(xué)術(shù)研究還是在商業(yè)應(yīng)用領(lǐng)域都極其重要，各個領(lǐng)域都需要保證分析結(jié)果的真實性和價值性。