现在是大数据时代，通过数据的分析，可以准确的了解客户的需求，那么它是怎么分析的呢?下面小编给大家介绍怎么分析大数据，一起来看看吧。
分析大数据的方法
进行大数据分析，虽说各个行业都不一定相同，但是基本思路都是一样的，分析的对象有：市场、用户、渠道、效果、这几大类，如果有条件还可以进行分支拓展。
对市场/行业进行大数据收集，分析：比如说，数据收集的方向，可以从大方向以及小方向进行，大的方向可以从政治、经济、社会、技术这几个入手，小方向可以从产品分析。
对于用户的调查，可以开展用户画像，数据内容包括：身份、行为、居住、交际圈等，往小了分，还有可以分为年龄、性别、学历、消费情况、兴趣爱好、在哪些圈子等等。
对产品进行数据分析，可以从人群——市场——渠道——产品，这四个轮回，通过人群，可以得到市场，通过渠道可以得到人群，通过人群又可以得到产品的使用情况。
要进行大数据分析，光有上面还是不够的，还需要进行一个营销效果的分析，分析的方向，包括用户的行为、渠道的流量变化，以及一个最终的成本收益、投资回报率等。
根据对营销效果的分析，从而可以分析出不同渠道的一个流量以及收益情况，从中就可以筛选出渠道的优势以及劣势，再集中汇集跟分析报告，这样就可以定出方案了。
处理大数据的方法
1. 采集。在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户 来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间 进行负载均衡和分片的确是需要深入的思考和设计。
2. 导入/预处理。虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这 些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使 用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
3. 统计/分析。主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通 的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于 MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
4. 挖掘。主要是在现有数 据上面进行基于各种算法的计算，从而起到预测(Predict)的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于 统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并 且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
数据分析师要学的知识
第一：统计学知识。这是很大一部分大数据分析师的短板。当然这里说的不是简单的一些统计而已。而是包括均值、中位数、标准差、方差、概率、假设检验等等具有时间、空间、数据本身。
第二：EXCE。当然不需要掌握的高大全，也得要掌握常用的函数，比如重点包括但不限于sum，count，sumif，countif，find，if，left/right，时间转换，透视表，各种图表做法等之类的。
第三：分析思维的练习。比如结构化思维、思维导图、或百度脑图、麦肯锡式分析，了解一些smart、5W2H、SWOT等等那就更好了。不一定要掌握多深多全，但一定要了解一些。
第四：数据库知识。大数据大数据，就是数据量很多，Excel就解决不了这么大数据量的时候，就得使用数据库。如果是关系型数据库，比如Oracle、mysql、sqlserver等等，你还得要学习使用SQL语句，筛选排序，汇总等等。
第五：业务学习。其实对于大数据分析师来说，了解业务比了解数据更重要。对于行业业务是怎么走的对于数据的分析有着非常重要的作用，不了解业务，可能你分析的结果不是别人想要的。
第六：开发工具及环境。比如：Linux OS、Hadoop(存储HDFS，计算Yarn)、Spark、或另外一些中间件。目前用得多的开发工具Java、python等等语言工具。
