大数据时代的数据分析区别于普通的数据分析，这是由大数据的特性所决定的，为了适应大数据的时代的发展，数据分析师也应该转变一些分析的思想和观念。
大数据时代的要求：
数据需要流动起来才有价值：
大数据典型的场景：
当数据量、基础设施以及数据价值逐渐变大时，对知识挖掘和发现的方法也需要不断的改进。
在量子论的世界里，一切都是不确定的，薛定谔的猫和海森堡的测不准准则都告诉我们这是个不确定的世界。大数据时代，尽管大数据要求要全集，不要部分；要混杂，不要精确；要相关不要因果，但大数据也还是测不准的。在硬件基础设施不断升级的过程中，大数据分析师也要与时俱进，跟上时代的步伐。
对大数据分析师的要求：
从原有的数据分析过程来看大数据时代的分析:
假设：
原来的分析步骤是先设定一个假设，再去获取相关的数据，在大数据时代，我们需要先获得数据，在对数据进行一定发掘后从相关性中获取假设，再进一步的反过来验证。从若干相关性中获取假设，需要一定的先验知识，这些先验知识来源广泛的阅读、与人交流的碰撞，以及相应的业务知识。
收集：
大数据时代要求获取数据的全集，并且这些数据中包含噪音是必然的，数据的类型也多样的，包括结构化、半结构化以及非结构化。原来的企业数据仓库（Enterprise Data WareHouse）也逐渐变成了企业数据中心（Enterprise Data Hub/Lake ），原来是设定一定模式后再去获取相应结构的数据，现在是先有数据并且这些数据也是在实时的变化，因此也要求系统可以实现数据的结构变化调整，从一种形式变成另一种形式。
数据也是有一定的生命周期，并不是说所有的数据都有很大的价值，就像学习的知识一样，在72小时内不去温习的话，效果就不那么好了。数据也是这样，刚产生的数据价值最大。同时，数据也需要交换和流动，只有与其他人分享数据，数据才升值。
数据准备：
大数据时代数据量很重要，但数据质量却是重中之重。
分析：
大数据分析和挖掘涉及到的知识面广，包括数据库、机器学习、统计、kDD、AI、pattern Recegnition、Nurocomputing等，数据分析主要涉及两方面的工作：数据查询和分析；复杂的线性代数。大数据也越来越拥抱云，很多工具都集成到云环境中去了，甚至出现了ML PipeLine 机器学习流水线的概念。数据分析师需要具备一项或几项工具装备如SAS、R、SQL、Python等。但究竟像刺猬一样‘一招鲜，吃遍天’，还是像狐狸一样‘一把钥匙开一把锁’？在大数据时代最好还是懂得各项技术结合使用。
模型的复杂度与问题匹配：
奥卡姆剃刀原理（简单有效原理）
数据不可名状的功效：
简单的模型+大数据>复杂的模型+小数据？那是不是简单的模型就一定有效？
首先得看你怎么定义‘简单’，是公式简单？解释简单？
能解释和利用数据的最简单模型
参数模型、线性模型、判断型模型适合于小数据，非参数型、非线性模型、生产性模型适合于大数据。但这并不说明大数据不能使用参数模型、线性模型、判断型模型。对传统模型，可能无法感知长尾上的信号，对大数据适合的模型计算复杂度一般都很高。有时候可以考虑模型的混合尤其是在数据竞赛中，但在实际应用中一般很少用到。大数据时代需要交互式的数据查询，这就需要很快的处理速度。
人的角色：Human Machine Intelligence
人在数据分析中地位不可完全替代，人与机器的搭配才能获得最佳性能：人人合作、人机协作、外包、众包、人类计算、协作。
数据科学是一门艺术
STEM：Science Technology Engieering Mathematics
STEAM：Science Technology Engieering Art Mathematics
不仅是视觉上的艺术，也是语言的艺术，要有讲好故事的能力（drama,detail,dialog）
"Stroy telling and ideas worth spreading"
最后再完整的看看完整的大数据分析流程：
DataAnswer,玩数据，我们是认真的！DataAnswer