传统的数据分析，有着实时性差、分析角度有限和分析数据有限等缺陷。面对着大数据体量大、速度要求高、形态众多、价值巨大但分布散、信息波动性强等特点时，就显得力不从心。而大数据实时性高且具备整合、分析、预测数据信息的特点，无疑可以满足当前的需要。
大数据的处理环节包括了：数据收集，数据建模，数据分析。
数据收集可分为被动收集与主动收集，被动收集即为用户端或末端设备主动上传数据，而主动收集为后台服务端通过端口主动收集末端设备及相关人员的信息。
数据建模有两种途径较为常用：随机矩阵理论模型与统一张量模型。其中随机矩阵理论模型是将从多个数据源收集的数据进行建模。统一张量模型则是来自多个数据源的数据基于张量扩展算子将不同的数据类型表示为子张量来进行建模的形式。
在建模之后，便是大数据中最关键的部分，大数据分析。大数据分析主要由五大步骤组成：选择平台操作系统、构建Hadoop集群、数据整合和预处理、数据存储、数据挖掘和分析。其中Hadoop是一个用于存储和处理大数据的开源框架，存储空间与处理效率高，适用于批处理操作。同时Spark属于Hadoop的改进型，适用于流式与交互式数据处理与查询，实时性强且交互性好。还有较为重要的一个环节便是数据挖掘，它的主要任务包括预测建模、关联分析、聚类分析、异常检测等。在这些步骤中，有三个关键技术贯通始终：虚拟化（提升存储空间与资源利用效率），Mapreduce（为大数据平台提供并行处理的计算模型，更适用于集群平台高性能计算）和人工智能（辅助分析挖掘）。
通过我们需要得到的处理结果，大数据分析技术和方法可以分为六个基本方面：可视化分析，挖掘性分析，预测性分析，数据存储，数据质量与管理，语义引擎。如果按照我们的处理方式分类，又可以分为：对比分析，分组分析，回归分析，预测分析和指标分析。
同时，数据仓库也作为大数据分析的前期准备，近期大众关注度也日益提高。数据仓库可分为：操作型数据库和分析型数据库。主要由四部分组成：各个数据源单独的数据库、数据仓库技术（ETL）、数据仓库和前端应用。各类数据在数据仓库中整理归纳后方可更加快速精准地进行分析预测。
以上仅仅是对于大数据分析技术和方法的一个粗略解读。为了方便读者更加全面的了解，我们还加入了对于大数据处理的其他重要环节的介绍。在信息技术飞速发展的今天，大数据技术的作用日益重要，因此，了解大数据并将其应用于各方各面有着非常积极的意义。
