1.描述型分析：發生了什麼?
這是最常見的分析方法。在業務中，這種方法向數據分析師提供了重要指標和業務的衡量方法。
例如，每月的營收和損失賬單。數據分析師可以通過這些賬單，獲取大量的客戶數據。了解客戶的地理信息，就是“描述型分析”方法之一。利用可視化工具，能夠有效的增強描述型分析所提供的信息。
2.診斷型分析：為什麼會發生?
描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據，診斷分析工具能夠讓數據分析師深入地分析數據，鑽取到數據的核心。
良好設計的BI dashboard能夠整合：按照時間序列進行數據讀入、特徵過濾和鑽取數據等功能，以便更好的分析數據。
3.預測型分析：可能發生什麼?
預測型分析主要用於進行預測。事件未來發生的可能性、預測一個可量化的值，或者是預估事情發生的時間點，這些都可以通過預測模型來完成。
預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。
在充滿不確定性的環境下，預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。
4.指令型分析：需要做什麼?
數據價值和復雜度分析的下一步就是指令型分析。指令模型基於對“發生了什麼”、“為什麼會發生”和“可能發生什麼”的分析，來幫助用戶決定應該採取什麼措施。通常情況下，指令型分析不是單獨使用的方法，而是前面的所有方法都完成之後，最後需要完成的分析方法。
例如，交通規劃分析考量了每條路線的距離、每條線路的行駛速度、以及目前的交通管制等方面因素，來幫助選擇最好的回家路線。
⑵ 大數據的利用過程順序
大數據處理的基本流程包括數據抽取與集成、數據分析和數據解釋三個步驟。其中，數據抽取與集成作為第一步，是處理大數據的關鍵。由於大數據來源多樣化，這一過程涉及從不同數據源中抽取數據，並將其集成到統一的數據存儲系統中，以便進一步分析。目前，數據抽取與集成的方法主要有三種：基於物化或ETL方法的引擎、基於聯邦資料庫或中間件方法的引擎、基於數據流方法的引擎。每種方法都有其獨特的優勢，可根據具體需求選擇合適的技術。
數據分析是大數據處理流程的核心環節。經過數據抽取與集成，我們已經獲得了可用於處理的原始數據。接下來，數據分析師可以通過各種技術手段進行分析，如數據挖掘、機器學習和數據統計等。數據分析的應用場景廣泛，包括決策支持、商業智能、推薦系統和預測系統等。通過細致的數據分析，我們可以深入理解數據背後的信息，為決策提供有力支持。
數據解釋作為大數據處理的最後一個步驟，其重要性不容忽視。在經過數據抽取、集成和分析後，我們得到了大量的數據結果。然而，這些結果需要被清晰地解釋和傳達給決策者或其他相關人員。數據解釋過程涉及將復雜的數據分析結果轉化為易於理解的形式，如圖表、報告和演示文稿等。通過有效的數據解釋，可以使非技術人員也能夠理解數據分析的結論和意義，從而更好地利用數據支持決策。
大數據處理的每一個步驟都至關重要，它們共同構成了一個完整的流程。從數據抽取與集成到數據分析，再到數據解釋，每一步都為最終的決策提供了堅實的基礎。通過這一系列的處理，我們可以從海量數據中挖掘出有價值的信息，為商業和社會帶來巨大的價值。