1.描述型分析：发生了什么?
这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。
例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。
2.诊断型分析：为什么会发生?
描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。
良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。
3.预测型分析：可能发生什么?
预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。
预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。
在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。
4.指令型分析：需要做什么?
数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。
例如，交通规划分析考量了每条路线的距离、每条线路的行驶速度、以及目前的交通管制等方面因素，来帮助选择最好的回家路线。
⑵ 大数据的利用过程顺序
大数据处理的基本流程包括数据抽取与集成、数据分析和数据解释三个步骤。其中，数据抽取与集成作为第一步，是处理大数据的关键。由于大数据来源多样化，这一过程涉及从不同数据源中抽取数据，并将其集成到统一的数据存储系统中，以便进一步分析。目前，数据抽取与集成的方法主要有三种：基于物化或ETL方法的引擎、基于联邦数据库或中间件方法的引擎、基于数据流方法的引擎。每种方法都有其独特的优势，可根据具体需求选择合适的技术。
数据分析是大数据处理流程的核心环节。经过数据抽取与集成，我们已经获得了可用于处理的原始数据。接下来，数据分析师可以通过各种技术手段进行分析，如数据挖掘、机器学习和数据统计等。数据分析的应用场景广泛，包括决策支持、商业智能、推荐系统和预测系统等。通过细致的数据分析，我们可以深入理解数据背后的信息，为决策提供有力支持。
数据解释作为大数据处理的最后一个步骤，其重要性不容忽视。在经过数据抽取、集成和分析后，我们得到了大量的数据结果。然而，这些结果需要被清晰地解释和传达给决策者或其他相关人员。数据解释过程涉及将复杂的数据分析结果转化为易于理解的形式，如图表、报告和演示文稿等。通过有效的数据解释，可以使非技术人员也能够理解数据分析的结论和意义，从而更好地利用数据支持决策。
大数据处理的每一个步骤都至关重要，它们共同构成了一个完整的流程。从数据抽取与集成到数据分析，再到数据解释，每一步都为最终的决策提供了坚实的基础。通过这一系列的处理，我们可以从海量数据中挖掘出有价值的信息，为商业和社会带来巨大的价值。