1、3傳統數據倉庫分析傳統分析對已知的數據范圍中好理解的數據進行分析。大多數數據倉庫都有一個精致的提取、轉換和加載(ETL)的流程和數據庫限制，這意味著加載進數據倉庫的數據是容易理解的，洗清過的，并符合業務的元數據。傳統分析是建立在關系數據模型之上的，主題之間的關系在系統內就已經被創立，而分析也在此基礎上進行。大數據最大的優點是針對傳統手段捕捉到的數據之外的非結構化數據。這意味著不能保證輸入的數據是完整的，清洗過的和沒有任何的錯誤。這使它更有挑戰性，但同時它提供了在數據中獲得更多的洞察力的范圍。在典型的世界里，很難在所有的信息間以一種正式的方式建立關系，因此非結構化以圖片、視頻、移動產生的信息、無

2、線射頻識別(RFID)等的形式存在，被考慮進大數據分析。絕大多數的大數據分析數據庫基于縱列數據庫之外。傳統分析是定向的批處理，而且我們在獲得大數據分析是利用對數據有意義的軟件的所需的洞察力之前需要每晚等待提取、轉換支持針對于數據的實時分析。精選文庫和加載（ETL）以及轉換工作的完成。在一個傳統的分析系統中，平行是通過昂貴的硬件，如大規模并行處理（MPP）系統和/或對稱多處理（SMP）系統來實現的。當在市場上有大數據分析的應用系統時，它同樣可以通過通用的硬件和新代的分析軟件，像Hadoop或其他分析數據庫來實現。主要的IT公司對分析軟件和應用系統供應商的購買已經成為一種日常現象。我們已經看到“大

3、數據分析”這個詞匯被使用在許多企業的解決方案中。“大數據”是用來表示大量的沒有按照傳統的相關格式存儲在企業數據庫中的非結構化數據的總術語。以下是大數據的一般特點。數據存儲量相對于當前企業TB（TERABYTES）字節的存儲限制，定義在PB（PETABYTES）字節，EXA字節以及更高的容量順序。通常它被認為是非結構化數據，并不適合企業已經習慣使用的關系型數據庫之下數據的生成使用的是數據輸入非傳統的手段，像無線射頻識別（RFID），傳感器網絡等。數據對時間敏感，且由數據的收集與相關的時區組成。在過去，專業術語“分析”應用于商業智能（BI）世界來提供工具和智能，通過對各種各樣可能的信息視角的快速的

4、、一致的、交互式訪問獲得洞察力。與分析的概念非常接近，數據挖掘已經應用于企業以保持關鍵監測和海量信息的分析。最大的挑戰就是如何通過大量的數據挖掘出所有的隱藏信息。傳統數據倉庫（DW）分析相對于大數據分析企業數據的分析朝著在一段時間內在那種內容中的信息的有意義的洞察，是大數據分析區別于傳統數據倉庫分析的原因所在。下表總結了一些它們之間的差別。大數據分析用例基于用例，企業可以理解大數據分析的價值和在大數據分析的幫助下如何解決傳統的問題。以下是一些用法。客戶滿意度和保證分析：也許這是基于產品的企業所擔心的最大的一個領域。在當今時代，沒有一個清晰的方式來衡量產品的問題和與客戶滿意度相關的問題，除非他們

5、以一個正式的方式出現在一個電子表格中。信息質量方面，它是通過各種外部渠道收集的，而且大多數時候的數據沒有清洗因為數據是非結構化數據，無法關聯相關的問題，所以長期的解決方案提供給客戶分類和分組的問題陳述都缺失了，導致企業不能對問題進行分組從上面的討論中，對客戶滿意度和保證分析使用大數據分析將幫助企業在急需的客戶注意力設置中獲得洞察力，并有效地解決他們的問題以及在他們的新產品線上避免這些問題。競爭對手的市場滲透率分析：在今天高度競爭的經濟環境下，我們需要通過一種實時分析對競爭者強大的區域和他們的痛點進行衡量。這種信息是可適用于各種各樣的網站、社交媒體網站和其他公共領域。對這種數據的大數據分析可以向

6、企業提供關于他們產品線的優勢、劣勢、機遇、威脅等非常需要的信息。醫療保健/流行病的研究和控制：流行病和像流感這樣的季節性疾病在人群中以一定的模式開始，如果沒有及早發現和控制，它們就會傳播到更大的區域。這對發展中以及發達的國家都是一個最大的挑戰。當前絕大部分時間的問題是人們之間的癥狀各異，而且不同的醫護人員治療他們的方法也不同。人群中也沒有一種常見的癥狀分類。在這種典型的非結構化數據上采用大數據分析將有助于地方ZF有效地應對疫情的情況。產品功能和用法分析：大多數產品企業，尤其是消費品，不斷在他們的產品線上增加許多功能，但有可能一些功能不會真正地被顧客所使用，而有些功能則更多地被使用，對這種通過各種移動設備和其它基于無線射頻識別（RFID）輸入捕捉到的數據的有效分析，可以為產品企業提供有價值的洞察力。未來方向的分析：研究小組分析在各種業務中的趨勢，而這種信息通過行業特定門戶網站甚至常見的博客可以獲得。對這種未來數據的不斷分析將有助于企業期待未來，并將這些期待帶入他們的生產線。總結大數據分析為企業和ZF分析非結構化的數據提供了新的途徑，這些