（1）数据挖掘算法[8]．算法本身就是一种数学理论，数据挖掘算法是数据分析的核心．一套设计巧妙地算法可以大大提高分析数据速度，缩短分析数据流程，简化分析数据复杂性，减少分析数据的资源的损耗．假如一个算法要经过好几年才能把结论算出，那么数据的价值已经不复存在了．要想深入数据内部，挖掘出公认的数据的价值，各种数据挖掘的算法必须基于不同的数据类型和格式，才能更加科学的呈现出数据本身具备的特点．

（2）可视化分析．所谓的可是化，就是要把数据分析的结果以一种直观的，明了的，通俗易懂的图片的形式表示出来．作图是一种数学本领，把图片这种数学工具用到数据分许中，是因为大数据分析的使用者有大数据分析专家，同时还有普通用户，他们二者对于大数据分析最基本的要求就是可视化分析，可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了．

（3）语义引擎．说白了，就是计算机编程．编程设计里用到最多的就是数学公式，计算机数学语言，还有数学逻辑．学习编程很重要，美国总统奥巴马还动员全体美国公民去学习编程．好的编程能够设计出一套高效的工具系统去分析，提炼数据，从而来面对非结构化数据的多元化给数据分析带来新的挑战．语义引擎需要设计者设计到有足够的人工智能，以便能够从数据中主动地提取信息．源'自:吹冰`!论~文'网www.chuibin.com

（4）数据质量和数据管理．网络与图论等数学知识大量充斥在数据管理学中，数据质量和数据管理与数据分析紧密相连，无论是在学术研究还是在商业应用领域，高质量的数据和有效的数据管理，都能够保证分析结果的真实和有价值．

（5）预测性分析．函数图像的运用往往能够反映出数据背后隐藏的某种趋势，这种趋势即为预测性分析．预测性分析是数据分析应用领域的一种最为重要的应用．从大数据中挖掘出特点，通过科学的建立模型，之后通过模型带入新的数据，从而预测未来的数据．

以上五个方面可以说是大数据分析的基础，当然更加深入大数据分析的话，还有很多很多更加专业的，更加有特点的，更加深入的大数据分析方法，如

（1）大数据的技术数据采集：ETL工具处理出的数据是联机分析处理、数据挖掘的基础，它的主要责任是对存储在临时中间层的数据进行清洗、转换、集成，最后加载到数据仓库或数据集市中去，而这些数据也是由ETL工具负责将分布的、异构数据源中的数据如：关系数据、平面数据文件等抽取出来放到临时中间层去的．

（2）统计分析：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等．

（3）数据存取：关系数据库、NOSQL、SQL等基础架构：云存储、分布式文件存储等．

（4）数据挖掘：预测（Prediction）、描述和可视化、分类（Classification）、相关性分组或关联规则（Affinity grouping or association rules）、估计（Estimation）、聚类（Clustering）、复杂数据类型挖掘(图形图像，文本，网页，视频，音频等)．

（5）数据处理：研究人与计算机交互的语言问题的一门学科是自然语言处理(NLP，Natural Language Processing)．自然语言的关键是要让计算机“理解”自然语言，所以自然语言处理又叫做自然语言理解(NLU，Natural Language Understanding)，也称为计算语言学(Computational Linguistics．一方面它是语言信息处理的一个分支，另一方面它是人工智能(AI, Artificial Intelligence)的核心课题之一．