估计大家听大数据听得太多，耳朵都快起茧了吧？谁要IT界不如娱乐界那么精彩热闹，几年才憋出一个流行词，自然大家只要提到数据，都说“大”；提到服务，都说“云”。

言归正传，你弄明白大数据分析要分析什么数据了吗？（弄明白的高手可以直接飘过；没弄明白的，看下面的内容能不能涨姿势）

我们先来简单聊几句有关大数据分析工具的背景。无需置疑，现在大数据平台和大数据分析工具日益普及，作用是可以帮助企业收集和分析数据，好处是可以寻找有价值的商业信息和洞察，以改进产品与服务。大数据分析工具用于分析数据，可以开发预测模型（predictive model）和规范模型（prescriptive model）。在现代化的业务流程应用中，嵌入这些模型能够提高企业的生产力和价值。同时，使用大数据分析工具可以轻松进行扩展，获取通常在大数据平台才有的可用资源。

其实，大数据分析工具经常提供的技术，一般而言，都不算什么新鲜事物。只是到最近这几年，数据挖掘算法的强大功能才被主流商业用户采用，它可以结合海量数据、多种数据类型和不同的数据结构，对数据集进行预测性分析（predictive analyses）和规范性分析（prescriptive analyses）。

但在用户看来，大数据分析仍然是一种新兴的企业级功能，要像靠它达到预期收益，一定存在风险，还要投入很大的时间成本。所以，在决定投身之前，一定要弄清楚怎样判断什么样的大数据分析适合你的企业？

有一个概念可以很清楚地区分大数据分析和其他形式的分析：要分析的数据有多大的数据量、数据规模如何和数据是否呈多样性。在过去，通常是从非常大的数据库中提取样本数据集，建立分析模型，然后通过测试再调整的过程加以改进。而现在，随着计算平台能够提供可扩展的存储和计算能力，可分析的数据量几乎不再受任何限制。这意味着，实时预测性分析和访问大量正确的数据可以帮助企业改善业绩。这样的机会取决于企业能否整合和分析不同类型大数据。以下四大类数据就是大数据要分析的数据类型：

交易数据（Transaction data）

大数据平台能够获取时间跨度更大、更海量的结构化交易数据，这样就可以对更广泛的交易数据类型进行分析，不仅仅包括POS或电子商务购物数据，还包括行为交易数据，例如Web服务器记录的互联网点击流数据日志。

人为数据（Human-generated data）

非结构数据广泛存在于电子邮件、文档、图片、音频、视频，以及通过博客、维基，尤其是社交媒体产生的数据流。这些数据为使用文本分析功能进行分析提供了丰富的数据源泉。

移动数据（Mobile data）

能够上网的智能手机和平板越来越普遍。这些移动设备上的App都能够追踪和沟通无数事件，从App内的交易数据（如搜索产品的记录事件）到个人信息资料或状态报告事件（如地点变更即报告一个新的地理编码）。

机器和传感器数据（Machine and sensor data）

这包括功能设备创建或生成的数据，例如智能电表、智能温度控制器、工厂机器和连接互联网的家用电器。这些设备可以配置为与互联网络中的其他节点通信，还可以自动向*服务器传输数据，这样就可以对数据进行分析。机器和传感器数据是来自新兴的物联网（IoT）所产生的主要例子。来自物联网的数据可以用于构建分析模型，连续监测预测性行为（如当传感器值表示有问题时进行识别），提供规定的指令（如警示技术人员在真正出问题之前检查设备）。

本文作者：佚名

来源：51CTO