4个回答
1. Analytic Visualizations（可视化分析）
不管是对数据分析专家还是普通用户，数据可视化是数据分析工具最基本的要求。可视化可以直观的展示数据，让数据自己说话，让观众听到结果。
2. Data Mining Algorithms（数据挖掘算法）
可视化是给人看的，数据挖掘就是给机器看的。集群、分割、孤立点分析还有其他的算法让我们深入数据内部，挖掘价值。这些算法不仅要处理大数据的量，也要处理大数据的速度。
3. Predictive Analytic Capabilities（预测性分析能力）
数据挖掘可以让分析员更好的理解数据，而预测性分析可以让分析员根据可视化分析和数据挖掘的结果做出一些预测性的判断。
4. Semantic Engines（语义引擎）
由于非结构化数据的多样性带来了数据分析的新的挑战，需要一系列的工具去解析，提取，分析数据。语义引擎需要被设计成能够从“文档”中智能提取信息。
5. Data Quality and Master Data Management（数据质量和数据管理）
数据质量和数据管理是一些管理方面的最佳实践。通过标准化的流程和工具对数据进行处理可以保证一个预先定义好的高质量的分析结果。
还是那些分析方法，什么常用的统计分析，以及数据挖掘的一系列方法，选择什么方法跟你的目的有关，跟什么大不大数据没太大关系
常见的10大分析方法是
1. 记忆基础推理法
2. 市场购物篮分析
3. .决策树
4. .基因算法
5. .群集侦测技术
6. .连结分析
7. 在线分析处理
8. 类神经网络
9. 区别分析
10. 罗吉斯回归分析
常见的10大分析方法是
1. 记忆基础推理法
2. 市场购物篮分析
3. .决策树
4. .基因算法
5. .群集侦测技术
6. .连结分析
7. 在线分析处理
8. 类神经网络
9. 区别分析
10. 罗吉斯回归分析