隨著兩化深度融合的持續推進，全面實現業務管理和生產過程的數字化、自動化和智能化是企業持續保持市場競爭力的關鍵。在這一過程中數據必將成為企業的核心資產，對數據的處理、分析和運用將極大的增強企業的核心競爭力。但長期以來，由于數據分析手段和工具的缺乏，大量的業務數據在系統中層層積壓而得不到利用，不但增加了系統運行和維護的壓力，而且不斷的侵蝕有限的企業資金投入。如今，隨著大數據技術及應用逐漸發展成熟，如何實現對大量數據的處理和分析已經成為企業關注的焦點。

對企業而言，由于長期以來已經積累的海量的數據，哪些數據有分析價值？哪些數據可以暫時不用處理？這些都是部署和實施大數據分析平臺之前必須梳理的問題點。以下就企業實施和部署大數據平臺，以及如何實現對大量數據的有效運用提供建議。

第一步：采集數據

對企業而言，不論是新實施的系統還是老舊系統，要實施大數據分析平臺，就需要先弄明白自己到底需要采集哪些數據。因為考慮到數據的采集難度和成本，大數據分析平臺并不是對企業所有的數據都進行采集，而是相關的、有直接或者間接聯系的數據，企業要知道哪些數據是對于戰略性的決策或者一些細節決策有幫助的，分析出來的數據結果是有價值的，域名注冊，這也是考驗一個數據分析員的時刻。比如企業只是想了解產線設備的運行狀態，這時候就只需要對影響產線設備性能的關鍵參數進行采集。再比如，在產品售后服務環節，企業需要了解產品使用狀態、購買群體等信息，這些數據對支撐新產品的研發和市場的預測都有著非常重要的價值。因此，建議企業在進行大數據分析規劃的時候針對一個項目的目標進行精確的分析，比較容易滿足業務的目標。

大數據的采集過程的難點主是并發數高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們并發的訪問量在峰值時達到上百萬，所以需要在采集端部署大量數據庫才能支撐。并且如何在這些數據庫之間進行負載均衡和分片也是需要深入的思考問題。

第二步：導入及預處理數據

采集過程只是大數據平臺搭建的第一個環節。當確定了哪些數據需要采集之后，下一步就需要對不同來源的數據進行統一處理。比如在智能工廠里面可能會有視頻監控數據、設備運行數據、物料消耗數據等，這些數據可能是結構化或者非結構化的。這個時候企業需要利用ETL工具將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層后進行清洗、轉換、集成，將這些來自前端的數據導入到一個集中的大型分布式數據庫或者分布式存儲集群，最后加載到數據倉庫或數據集市中，亞洲服務器租用 歐洲服務器，成為聯機分析處理、數據挖掘的基礎。對于數據源的導入與預處理過程，最大的挑戰主要是導入的數據量大，每秒鐘的導入量經常會達到百兆，甚至千兆級別。

第三步：統計與分析

統計與分析主要利用分布式數據庫，或者分布式計算集群來對存儲于其內的海量數據進行普通的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存儲Infobright等，而一些批處理，或者基于半結構化數據的需求可以使用Hadoop.數據的統計分析方法也很多，如假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、方差分析、卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。在統計與分析這部分，主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的占用。

第四步：價值挖掘

與前面統計和分析過程不同的是，數據挖掘一般沒有什么預先設定好的主題，主要是在現有數據上面進行基于各種算法的計算，從而起到預測的效果，從而實現一些高級別數據分析的需求。比較典型算法有用于聚類的Kmeans、用于統計學習的SVM和用于分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用于挖掘的算法很復雜，并且計算涉及的數據量和計算量都很大，常用數據挖掘算法都以單線程為主。

總結