1.分析可视化(视觉分析)

数据可视化是数据分析工具对数据分析专家和普通用户最基本的要求。可视化可以直观的展示数据，让数据自己说话，让观众听到结果。

2.数据挖掘算法(数据挖掘算法)

可视化是为了人，数据挖掘是为了机器。聚类、分割、离群点分析和其他算法使我们能够深入挖掘数据并挖掘价值。这些算法不仅要处理大数据量，还要处理大数据的速度。

3.预测分析能力(预测分析能力)

数据挖掘可以帮助分析师更好地理解数据，而预测分析可以帮助分析师基于可视化分析和数据挖掘的结果做出一些预测性的判断。

4.语义引擎

由于非结构化数据的多样性给数据分析带来了新的挑战，需要一系列工具来分析、提取和分析数据。语义引擎需要设计成智能地从“文档”中提取信息。

5.数据质量和主数据管理(数据质量和数据管理)

数据质量和数据管理是一些管理**实践。通过标准化流程和工具处理数据可以保证预定义的高质量分析结果。

误区:数据湖必不可少

丰田研究所的数据科学家吉姆·阿德勒(Jim Adler)认为，一些信息技术经理设想用它来存储大量结构化和非结构化数据，而这些数据根本不存在。企业不会将所有数据都无差别地存储在共享池中。阿德勒说，这些数据是“精心计划”的，并存储在一个独立的部门数据库中，鼓励“专门的专业知识”。这是实现法规遵从性和其他治理要求所需的透明度和问责制的**方法。

趋势:数据质量是商业智能成功的关键

采用自助商业智能工具进行大数据处理的企业将脱颖而出。挑战之一就是很多数据源会带来很多低质量的数据。企业要想取得成功，需要了解原始数据和数据分析之间的差距，以便通过BI消除低质量的数据，做出更好的决策。

趋势:数据生态系统复合程度增强

大数据的世界不仅仅是一个单一的巨大的计算机网络，而是由大量的主动组件和多参与者元素组成的生态系统，以及由终端设备提供商、基础设施提供商、网络服务提供商、网络接入服务提供商、数据服务使能器、数据服务提供商、联系服务、数据服务零售商等一系列参与者构建的生态系统。现在，这样一个数据生态系统的基本原型已经形成，接下来的发展将趋向于细分系统的内部角色，即细分市场；体制机制的调整是商业模式的创新；体制结构的调整，即竞争环境的调整等。，使数据生态系统逐渐复合。