大数据具有数据量大、速度快、类型繁琐、数据构造不相同以及价值分布密度低的特征，因此，进行大数据分析成为一件具有挑战性的工作。这时候需要利用一些技术来分析大数据，能力获取很多智能的、深刻的、有价值的信息。常用的大数据分析技术如下:

（1）预测性分析。这也是大数据分析的应用价值之一。通过现有的数据分析，预测未来的数据发展趋势，更好地为行业的发展提供预测性数据。预测分析主要就是通过发掘数据的特征，建立科学的数据模型，带入新的数据，得出新的预测结果，以作为行业发展流程中的参考。

（2）数据质量和数据管理。数据的质量怎么样，大数据的分析结果是不是和实际情形一致，这是考验大数据分析结果的重要方面，也决定了数据是否真正具有价值。而能不能提取出高质量的数据，这就需要进行有效的数据管理。

（3）可视化分析。不管是对数据分析专家还是普通用户，数据可视化都是数据分析工具最基本的要求，可视化可以直观地展现数据，让数据自己说话，让观众“听”到结果。

（4）语义引擎。由于非构造化数据的多样性带来了数据分析的新挑战，因此需要一系列的工具去分析、提取、分析数据。语义引擎需要被设计成能够从“文档”中智能地提取信息。

（5）数据发掘算法。大数据因为数据量大。一些简单的算法或者数理统计很难起作用，需要通过数据发掘算法能力得到数据的特点以及数据的价值。集群、分割、孤立点分析以及其他数据发掘算法能够深刻数据内部，发掘出大数据的价值。这些数据发掘算法不仅要应对大数据的量，也要应对大数据的速度。

ycz cologne