1、也有的一些相关的大数据文章说明不需要太在乎数据的精确度，或者说不准确最后形成报告可以改的心理，大数据分析基本要求就是严谨以及精确。不能粗略计算 现阶段进行大数据分析都是依托于相应的大数据分析工具，可以进行专业的数据分析，不能进行粗略的计算，也不会得到想要的结果。
2、指标分析 在实际工作中，这个方法应用的最为广泛，也是在使用其他方法进行分析的同时搭配使用突出问题关键点的方法，指直接运用统计学中的一些基础指标来做数据分析，比如平均数、众数、中位数、最大值、最小值等。在选择具体使用哪个基础指标时，需要考虑结果的取向性。
3、数据分析关键点 - 运营模块：流量结构（渠道、业务、地区）、转化率、流失率和留存率、复购率。- 销售模块：同环比、完成率、销售排行、重点商品占比、平台占比。- 商品模块：货龄、动销率、缺货率、结构指标、价格体系、关联分析、畅滞销分析。
预测性分析能力 大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
大数据分析需要的基础有：编程语言基础 学大数据，首先要具备的是编程语言基础，掌握一门编程语言再学习大数据会轻松很多，甚至编程语言要比大数据学习的时间更长。Linux系统的基本操作 Linux系统的基本操作是大数据不可分割的一部分，大数据的组件都是在这个系统中跑的。
统计学：统计学是数据分析的基础，学习统计学可以帮助理解数据的特征、分布以及变异性。数学基础：线性代数、概率论和微积分等数学知识也是学习大数据分析的基础，通过数学方法可以建立数据模型和算法。编程基础：掌握至少一种编程语言，如Python或R，用于数据处理、可视化和建模等。
大数据分析需要数学及统计学基础 大数据开发主要学习编程技术，不需要数学基础 不管是大数据开发课程还是数据分析课程都是适合零基础学习的，学习时需要选择适合自己的学习方法，零基础一般是找人带或者找培训班学习两种情况。
新手学习大数据需要具备基础一数学知识 数学知识是数据分析师的基础知识。对于初级数据分析师，了解一些描述统计相关的基础内容，有一定的公式计算能力即可，了解常用统计模型算法则是加分。对于高级数据分析师，统计模型相关知识是必备能力，线性代数（主要是矩阵计算相关知识）最好也有一定的了解。
1、大数据项目需考量的四个因素 Hadoop系统和NoSQL数据库已经成为管理大数据环境的重要工具。不过，在很多情况下，企业利用他们现有的数据仓库设施，或是一个新老混合的技术来对大数据流入他们的系统进行管理。
2、无论一个公司部署什么类型的大数据技术栈，有一些共通的因素必须加以考量，以保证为大数据分析工作提供一个有效的框架。在开始一个大数据项目之前，去审视项目所要承担的新数据需求的更大图景显得尤为关键。下面来让我们检视四个需要加以考量的因素。
3、分析多样而复杂的数据集需要一个健壮且富有弹性的大数据架构。在筹划项目时通过对这四个因素进行考量，组织可以确定他们是否已经拥有能够处理如此严苛大数据的分析程序亦或是需要额外的软硬件以及数据管理流程来达到他们的大数据目标。
4、开放数据需要像开源软件一样认真对待 众所周知，开源软件背后是大数据和机器学习产品和服务的兴起。开放源码的商业和技术案例的重要性多年前就得到了证实。然而，人们对开放数据对创新的重要性的关注却少之又少。
5、数据质量和来源多渠道：大数据的数据量巨大，来源渠道多样，因此数据质量和准确性是一个重要考量因素。 低成本创造高价值：合理运用大数据可以以较低的成本创造高价值，这是大数据的另一个特点。大数据技术的战略意义在于对含有意义的数据进行专业化处理，而不仅仅是掌握庞大的数据信息。
6、可以想见，每个客户所接收到的东西都是独一无二的–一旦某客户接收到了特定的服务或者产品，该服务或产品就不会重复提供给另一个客户。这才是“大”的真正含义–大数据中的大生意。
