大數據節點圖

❶ 大數據初學者應該怎麼學

記住學到這里可以作為你學大數據的一個節點。

Zookeeper：這是個萬金油，安裝Hadoop的HA的時候就會用到它，以後的Hbase也會用到它。它一般用來存放一些相互協作的信息，這些信息比較小一般不會超過1M，都是使用它的軟體對它有依賴，對於我們個人來講只需要把它安裝正確，讓它正常的run起來就可以了。

Mysql：我們學習完大數據的處理了，接下來學習學習小數據的處理工具mysql資料庫，因為一會裝hive的時候要用到，mysql需要掌握到什麼層度那?你能在Linux上把它安裝好，運行起來，會配置簡單的許可權，修改root的密碼，創建資料庫。這里主要的是學習SQL的語法，因為hive的語法和這個非常相似。

Sqoop：這個是用於把Mysql里的數據導入到Hadoop里的。當然你也可以不用這個，直接把Mysql數據表導出成文件再放到HDFS上也是一樣的，當然生產環境中使用要注意Mysql的壓力。

Hive：這個東西對於會SQL語法的來說就是神器，它能讓你處理大數據變的很簡單，不會再費勁的編寫MapRece程序。有的人說Pig那?它和Pig差不多掌握一個就可以了。

Oozie：既然學會Hive了，我相信你一定需要這個東西，它可以幫你管理你的Hive或者MapRece、Spark腳本，還能檢查你的程序是否執行正確，出錯了給你發報警並能幫你重試程序，最重要的是還能幫你配置任務的依賴關系。我相信你一定會喜歡上它的，不然你看著那一大堆腳本，和密密麻麻的crond是不是有種想屎的感覺。

Hbase：這是Hadoop生態體系中的NOSQL資料庫，他的數據是按照key和value的形式存儲的並且key是唯一的，所以它能用來做數據的排重，它與MYSQL相比能存儲的數據量大很多。所以他常被用於大數據處理完成之後的存儲目的地。

Kafka：這是個比較好用的隊列工具，隊列是干嗎的?排隊買票你知道不?數據多了同樣也需要排隊處理，這樣與你協作的其它同學不會叫起來，你干嗎給我這么多的數據(比如好幾百G的文件)我怎麼處理得過來，你別怪他因為他不是搞大數據的，你可以跟他講我把數據放在隊列里你使用的時候一個個拿，這樣他就不在抱怨了馬上灰流流的去優化他的程序去了，因為處理不過來就是他的事情。而不是你給的問題。當然我們也可以利用這個工具來做線上實時數據的入庫或入HDFS，這時你可以與一個叫Flume的工具配合使用，它是專門用來提供對數據進行簡單處理，並寫到各種數據接受方(比如Kafka)的。

Spark：它是用來彌補基於MapRece處理數據速度上的缺點，它的特點是把數據裝載到內存中計算而不是去讀慢的要死進化還特別慢的硬碟。特別適合做迭代運算，所以演算法流們特別稀飯它。它是用scala編寫的。Java語言或者Scala都可以操作它，因為它們都是用JVM的。

❷ 阿里巴巴大數據將嚴重威脅國家安全嗎

阿里巴巴大數據對個人隱私的威脅的確存在，但並不是沒有解決的辦法，即便擔憂對國家安全產生威脅，也不必動輒高呼「國有化」。

1. 阿里巴巴並不能掌握「各種戰略資源的流轉」，阿里的大數據本身就包含各種商品流轉的數據，通過各種商品的流轉很容易分析出國家各種資源的流轉，由此繪制出中國各種戰略資源的流轉及節點圖。顯然，無論戰時還是平時，這樣一份戰略資源的流轉及節點圖都可用作瓦解國家安全的導航圖。

2. 首先，雖然阿里巴巴在中國電商中占據主導地位，但據國家統計局和商務部數據顯示，阿里巴巴還遠未達到掌握絕大多數商品流轉數據的程度。

3. 更重要的是，阿里巴巴即便掌握商品流轉的數據，距離分析出各種資源的流轉也很遠，更不要說在目前的佔有規模下分析出「各種戰略資源的流轉」。

4. 事實上，在今年稍早些時候，在葯品領域，阿里巴巴曾面臨過更具體的指責。南方周末報道稱，按照國家食葯總局的監管要求，中國各類葯品從生產、流通、經營和消費等所有節點的全部信息，將會儲存在「阿里雲」上。當時就有人認為，阿里健康將就此「運用大數據的研究方法，分析葯品電子監管碼所蘊含的信息，能夠繪制出國內的疾病發生的時間、地域、周期，進而掌握國人的健康情況；甚至還能通過葯品流轉，繪制出中國各種戰略資源節點圖。」

5. 僅憑阿里巴巴掌握了很多電子商務數據，就認為這些數據有可能被製作成「瓦解國家安全的導航圖」，是聳人聽聞的說法。

6. 大數據的能力不應該被過度誇大，聲稱「大數據威脅國家安全」的這篇文章，還一個說法是，「阿里巴巴的大數據和雲計算簡直就是有史以來最為強大的情報搜集和分析系統——通過其大數據和雲計算，中國人的一舉一動及行為偏好都可以盡在其掌握之中。」這種說法完全是過分虛誇了大數據的能力。

❸ 大數據Hadoop之ZooKeeper認識

Zookeeper字面上理解就是動物管理員，Hadoop生態圈中很多開源項目使用動物命名，那麼需要一個管理員來管理這些「動物」。

在集群的管理中Zookeeper起到非常重要的角色，他負責分布式應用程序協調的工作。

Zookeeper管理集群會選舉一個Leader節點（可參考FastLeader選舉演算法，即快速選舉Leader節點），Leader節點主要負責整個Zookeeper集群的運行管理，Follower負責管理具體的數據存儲與讀取。

Zookeeper主要提供以下四點功能：統一命名服務、配置管理、集群管理、共享鎖和隊列管理，用於高效的管理集群的運行。

1. 統一命名服務

命名服務指通過指定的名字獲取資源或者服務提供者的信息。分布式應用中，通常需要有一套完整的命名規則，既能夠產生唯一的名稱又便於識別和記憶。通常情況下使用樹形的名稱結構是一個理想的選擇，樹形的名稱結構是一個有層次的目錄結構，即對人友好又不會重復。

Zookeeper集群中統一由Leader節點（圖中M節點）來管理所有Follower節點（圖中的S1和S2節點）的命名空間。Zookeeper提供統一的命名服務，他不對外提供數據也不存儲數據，他只提供一套統一的命名規則，運行在Zookeeper之上的服務需要遵循這一套命名規則。其中較為常見的就是一些分布式服務框架中的服務地址列表。通過調用ZK提供的創建節點的介面（API），能夠很容易創建一個全局唯一的路徑（path），這個path就可以作為一個名稱。命名服務（NameService）已經是Zookeeper內置的功能，你只要調用Zookeeper的API就能實現。如調用create介面就可以很容易創建一個目錄節點。

遵循Leader統一管理命名規則下，集群中數據讀寫的方式：

1.1.寫數據，一個客戶端進行寫數據請求時，會指定Zookeeper集群節點，如果是Follower接收到寫請求，會把請求轉發給Leader，Leader通過內部的Zab協議進行原子廣播，直到所有Zookeeper節點都成功寫了數據，然後Zookeeper會給Client發回寫完響應。

1.2.讀數據，因為集群中Zookeeper按照統一的命名空間，所有Zookeeper節點呈現相同的命名空間視圖（文件目錄名稱結構），所以讀數據的時候請求任意一台Zookeeper節點都一樣。

2. 配置管理

配置的管理在分布式應用環境中很常見，例如同一個應用需要在多台伺服器上運行，但是它們的應用系統的某些配置相同的，如果要修改這些相同的配置項，就必須同時修改每台運行這個應用系統的PC Server，這樣非常麻煩而且容易出錯。像這樣的配置信息完全可以交給Zookeeper來管理，處理起來非常便捷。

配置的管理包含發布和訂閱兩個過程，顧名思義就是將數據發布到ZK節點上，供訂閱者動態獲取數據，實現配置信息的集中管理和動態更新。

如圖所示，將配置信息保存在Zookeeper（Leader節點）的某一個目錄中，然後將所有需要修改的應用機器訂閱該Zookeeper（Leader節點）節點，一旦Leader節點發布新配置信息，每台訂閱的機器就會收到Zookeeper的通知，然後從Zookeeper獲取新的配置信息應用到系統中，完成配置的集中統一管理。

3. 集群管理

Zookeeper在集群管理中主要是集群監控和Leader選舉。

3.1.集群管理

這通常用於那種對集群中機器狀態、 ， 機器在線率有較高要求的場景，能夠快速對集群中機器變化做出響應。這樣的場景中，往往有一個監控系統，實時檢測集群機器是否存活。過去的做法通常是：監控系統通過某種手段（比如ping）定時檢測每個機器，或者每個機器自己定時向監控系統匯報"我還活著"。

這種做法可行，但是存在兩個比較明顯的問題：

1）.集群中機器有變動的時候，牽連修改的東西比較多。

2）.有一定的延時。

利用ZooKeeper中兩個特性，就可以實施另一種集群機器存活性監控系統：

1）.客戶端在示例節點A上注冊一個監控者（Watcher），那麼如果A的子節點變化了，會通知該客戶端。

2）.創建EPHEMERAL類型的節點，一旦客戶端和伺服器的會話結束或過期，那麼該節點就會消失。

3.2.Leader選舉：

Leader選舉即從大量集群節點中選舉一個Leader節點，是zookeeper中最為經典的使用場景，在分布式環境中選舉的Leader節點好快會直接影響集群的效率。Leader節點主要負責相同的業務應用分布在不同的機器上共用的邏輯模型和數據的調配，優秀的調配方案可以大大減少重復運算，提高性能降低集群的負載。

利用ZooKeeper中兩個特性，就可以實施另一種集群中Leader選舉：

1）.利用ZooKeeper的強一致性，能夠保證在分布式高並發情況下節點創建的全局唯一性，即：同時有多個客戶端請求創建Leader節點，最終一定只有一個客戶端請求能夠創建成功。利用這個特性，就能很輕易的在分布式環境中進行集群的Leader選舉了。

2）.另外，這種場景演化一下，就是動態Leader選舉。這就要用到EPHEMERAL_SEQUENTIAL類型節點的特性了，這樣每個節點會自動被編號。允許所有請求都能夠創建成功，但是創建節點會為每個節點安排順序，每次選取序列號最小的那個機器作為Leader。

小結

Zookeeper作為Hadoop主要的組件，在集群管理方面為我們提供了解決方案。通過對統一命名服務、配置管理和集群管理的閱讀，我們能夠清晰的理解Zookeeper的核心內容。針對共享鎖和隊列服務偏技術實現，有興趣的可以進一步研究。

Zookeeper在大數據集群中解決集群管理的問題，磨刀不誤砍柴工，了解完工具我們下一次分享一些具體的實效應用。

❹ 大數據架構流程圖

大數據管理數據處理過程圖

大數據(big data),指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合,是需要新處理模式才能具有更強的決策力、洞察力。大數據處理的主要流程包括數據收集、數據存儲、數據處理、數據應用等主要環節。隨著業務的增長,大量和流程、規則相關的非結構化數據也爆發式增長。

平台數據架構流程圖

標准大數據平台架構,標准大數據平台架構,大數據平台架構,數據倉庫,數據集市,大數據平台層級結構,數據挖掘,舉報,包含該模版的分享。數據架構設計(數據架構組) 概述 總體描述 相對於業務架構和應用架構,數據架構在總體架構中處於基礎和核心地位。

產品體驗結構流程圖

產品的功能結構圖,產品功能結構圖,產品主要流程圖,產品的核心流程,我們繼續圍繞著得到app的核心流程探究。還原產品,產品結構、核心流程體驗、核心頁面體驗的情況,而不僅僅是界面表層；從產品視角、用戶視角來分析,而不是自我感覺，撰寫報告,推出報告。產品體驗從產品現狀、目標用戶及場景、關鍵功能體驗

程序流程圖

程序流程圖又稱程序框圖，是用統一規定的標准符號描述程序運行具體步驟的圖形表示。程序框圖的設計是在處理流程圖的基礎上，通過對輸入輸出數據和處理過程的詳細分析，將計算機的主要運行步驟和內容標識出來。

軟體開發周期

軟體生命周期(Software Life Cycle,SLC)是軟體的產生直到報廢或停止使用的生命周期。軟體生命周期內有問題定義、可行性分析、總體描述、系統設計、編碼、調試和測試、驗收與運行、維護升級到廢棄等階段一個軟體產品或軟體系統也要經歷孕育、誕生、成長、成熟、衰亡等階段

軟體測試流程魚骨圖

軟體測試流程: 需求分析，制訂測試計劃，設計測試用例與編寫，實施測試，提交缺陷報告，生成測試總結和報告。軟體測試按照研發階段一般分為5個部分：單元測試、集成測試、確認測試、系統測試、驗收測試。根據設計用例的方法不同,黑盒測試包括等價劃分法、邊界值分析法、錯誤推測法、因果圖法等。

雲平台整體架構圖

雲計算的體系結構由5部分組成,分別為應用層,平台層,資源層,用戶訪問層和管理層,雲計算的本質是通過網路提供服務,所以其體系結構以服務為核心。公認的雲架構是劃分為基礎設施層、平台層和軟體服務層三個層次的。

項目管理九大體系

項目管理思維導圖包括項目采購管理、項目成本核算、時間管理等關於項目管理的九大體系。項目管理十大領域:進度、成本、質量、范圍等4個核心領域,風險、溝通、采購、人力資源、干係人等5個輔助領域,1個整體領域。

產品經理項目管理思維導圖

思維導圖可以幫助產品經理梳理多而亂的產品思路，也可以幫助產品經理進行需求管理、產品分析等。產品經理會使用思維導圖來對產品的思路進行一個有效的分析，梳理產品邏輯，然後再畫原型圖。一個優秀的產品經理，不僅僅是會畫原型，寫需求文檔，更重要的是做出用戶滿意的產品。

項目規劃時間軸流程圖

項目規劃時間軸流程圖,對一個項目從開始到竣工的整個過程進行總結歸納。時間線圖,又叫時間軸圖,能以歷史進程為載體,將過往的重要事項或者里程碑,標注在軸線上,並加以說明。它的作用是能夠可視化內容,以圖文的形式呈現出來。時間軸是一種表達事物發展進程的可視化圖示,被許多商業管理人士所使用。

❺ 大數據分析中，有哪些常見的大數據分析模型

很多朋友還沒有接觸過大數據分析方案，認為其僅僅算是個願景而非現實——畢竟能夠證明其可行性與實際效果的案例確實相對有限。但可以肯定的是，實時數據流中包含著大量重要價值，足以幫助企業及人員在未來的工作中達成更為理想的結果。那麼，那些領域需要實時的數據分析呢？

1、醫療衛生與生命科學

2、保險業

3、電信運營商

4、能源行業

5、電子商務

6、運輸行業

7、投機市場

8、執法領域

9、技術領域

常見數據分析模型有哪些呢？

1、行為事件分析：行為事件分析法具有強大的篩選、分組和聚合能力，邏輯清晰且使用簡單，已被廣泛應用。

2、漏斗分析模型：漏斗分析是一套流程分析，它能夠科學反映用戶行為狀態以及從起點到終點各階段用戶轉化率情況的重要分析模型。

3、留存分析模型留存分析是一種用來分析用戶參與情況/活躍程度的分析模型，考察進行初始化行為的用戶中，有多少人會進行後續行為。這是用來衡量產品對用戶價值高低的重要方法。

4、分布分析模型分布分析是用戶在特定指標下的頻次、總額等的歸類展現。

5、點擊分析模型即應用一種特殊亮度的顏色形式，顯示頁面或頁面組區域中不同元素點點擊密度的圖標。

6、用戶行為路徑分析模型用戶路徑分析，顧名思義，用戶在APP或網站中的訪問行為路徑。為了衡量網站優化的效果或營銷推廣的效果，以及了解用戶行為偏好，時常要對訪問路徑的轉換數據進行分析。

7、用戶分群分析模型用戶分群即用戶信息標簽化，通過用戶的歷史行為路徑、行為特徵、偏好等屬性，將具有相同屬性的用戶劃分為一個群體，並進行後續分析。

8、屬性分析模型根據用戶自身屬性對用戶進行分類與統計分析，比如查看用戶數量在注冊時間上的變化趨勢、省份等分布情況。

模型再多，選擇一種適合自己的就行，如何利益最大化才是我們追求的目標

❻ 勾勒物聯網與大數據的數據中心路線圖

勾勒物聯網與大數據的數據中心路線圖
從數據中心的角度看，物聯網和大數據項目幾乎總是強調網路和存儲基礎設施。規劃人員在組織內開始實施這種大規模數據密集的項目之前，需要仔細地評估基礎設施的需求。
傳統的商業智能項目建立在不同於大數據項目的需求和理解的基礎上。典型商業智能從清晰的想法開始嘗試，必須經得起推敲，什麼數據可用或必須收集來回答這些問題，需要上報何種結果，組織內誰需要這些結果。此類項目幾十年來一直是企業級IT的基礎。物聯網(IoT)和大數據聚焦在不同的側重點。他們會提問：如何提出正確的問題;問題是哪些，如何解決以更好地為客戶服務，必須提供什麼樣的產品才能留住現有的客戶，同時如何勸說新客戶從公司購買產品和服務?這通常能夠說明，物聯網和大數據項目各自需要不同的專業知識，不同級別的經驗和不同種類的工具。因此，運營這樣的項目對於IT團隊會更加困難。在物聯網和大數據領域邁出堅實的第一步當IT領域強大的新技術或新的方法獲得了一定的動力，有人可能就會有採取一種急於求成的方法——有時候很少有人能理解怎樣才能獲得一次成功的初次實踐。物聯網和大數據顯然屬於這一類。這一認識可能誘導組織在一個非常令人失望或用處不大的數據上投入巨資。失敗可能來自選擇了不恰當的工具，沒能正確配置支持系統的工具，缺乏必要的專業知識，或與錯誤的合作夥伴共事。一旦失敗，許多決策者便將責任歸咎於方法或技術。對於大數據的潛力，已經是毫無爭議的議題，報告也同樣鼓吹物聯網，指出它將連接從我們的手機、我們的汽車到我們的家用電器等一切的一切。硬體、軟體和專業服務的供應商已經加入進來，大家都想在由物聯網這些技術方法將產生的潛在收益中分得一塊大蛋糕。幾乎所有的供應商，包括系統、存儲、網路、操作系統、數據管理工具和開發工具等領域的廠商都已經提出了與大數據有關的產品和服務集。這些同質化的廠商也開始提供從智能設備中進行數據轉換和收集數據的方法。集成物聯網與大數據在開始物聯網和大數據項目之前，明智的領導者會慢下來，並評估什麼是企業真正需要的東西。評估IT團隊的能力和專長。現實地考慮什麼事情可能會出錯，從中可以汲取到哪些信息。組織通常設計大數據項目以確定哪些問題要問，而不是跟蹤具體的，先前已知的需求。這意味著決策者和開發人員必須首先要確定的是，基於操作的、機械的以及其他類型已經被收集的數據應該提出何種問題，因為很可能沒有人會花時間來分析數據。物聯網項目很可能成為大數據實施所需的數據來源。物聯網和大數據兩者都通常依賴的NoSQL資料庫，反過來，依靠系統執行數據管理軟體集群，網路容量的廣泛使用和共享內存或復雜的數據緩存技術，將加快現有存儲介質的應用。物聯網項目很可能對數據中心網路和存儲產生巨大的影響。大多數組織都擁有豐富的原始數據，數據來自於操作系統、資料庫管理產品、應用框架、應用程序和服務設備的銷售點或點的自動收集信息。組織可以使用數據來獲得更加清晰的，整體感知程序、產品和培訓的優勢和劣勢。將物聯網混合加入到大數據中，為公司提供進一步了解其客戶提供幫助。分析這一巨大的和不斷增長的數據，可以往往為企業提供線索，以更好地把握客戶的需求。企業也可以了解到它哪些問題所對應的信息沒有被正確地收集，並尋求自己的獨特的問題解決方法。拒絕那種瞄準-射擊-命中的速成方法，這點在物聯網項目中尤其重要。很少有組織有這足夠的膽量推遲項目，因為這會刺激或冒犯某個客戶。IT團隊必須明確地了解自己的目的，團隊所使用的工具，選擇的供應商將是這一嘗試的重要部分。只有這樣一個團隊才能捕捉和馴服大數據「野獸」或促成將物聯網有效的實踐。這就需要一個組織來正確配置和提供其基礎設施，該過程涉及部署必要的處理能力、內存、存儲和網路容量，還有適當的軟體開發，持續的運營、監控，還有管理和安全。上述這些元素中的每一個必須精心地選擇和配置。然而，該過程並非一定會成為越做越好的案例。與物聯網或其他客戶面臨的項目，這將是明智的考慮客戶將如何反應，在網上與業務的所有時間。性能，隱私和功能功能都非常重要。物聯網和大數據開發工具每一套大數據的方法都有它自己的一系列開發及部署工具。同樣的道理也適用於物聯網平台。要建立最有效的平台，公司的開發人員必須理解這些工具，知道如何使用它們，並清楚如何建立一套最優的系統。在大數據項目上工作的人可能會選擇使用與物聯網開發團隊所不同的工具。然而，兩個團隊之間必須保持彼此溝通。物聯網團隊需要收集適當數據來支持大數據的實施，對於剛剛接觸這些類型的新技術的企業，選擇較小的項目起步是很明智的，之後伴隨著團隊開發的經驗和專業知識的提升，再涉足大型項目。組織必須按照所評估的那樣對待大數據項目，這需要IT管理團隊的卓有遠見的運營活動。選擇適合於企業管理框架的監控和管理工具非常重要，它們可以提供易於理解和有用的數據。物聯網項目，由於它直接面對客戶，需要輕量、監測響應和管理。如果這些工具太重，顧客會抱怨貴公司對昂貴的數據計劃的消耗太大。在信息收集和功能提供中間找到適當的平衡，整體性能和數據的來回發送容量會是棘手的問題。許多組織在大數據中找到真正的前景。物聯網的最佳實踐仍在不斷涌現，所以標准咱不能廣泛應用。然而，在這兩種情況下，結合技術專長正確地選擇和配置組件是一個成功的項目的關鍵要素。適當的配置選擇，選擇系統驅動，支持的操作系統以及系統、網路和存儲配置部署。然而，通常最重要的因素是，在項目上找好合適的心態。在大數據的案例中，目標應該是了解提出何種問題才是正確的，而不是把項目看作是另外一個商業智能的倡議。在物聯網的案例中，該項目必須能夠提供有用的服務，以換取客戶對收集數據的授權，以滿足基於大數據的銷售活動，支持和商業智能系統。

❼ 一般用哪些工具做大數據可視化分析

酷屏是億信華辰的數據可視化產品，內置上百種可視化元素和六十餘內種風格各異的表格、導航容、統計圖等組件及SVG特效可供用戶選擇，通過設計與搭配，可衍生出成千上萬種可視化效果。在提供傳統的柱狀圖、餅圖、儀表盤等基礎圖表組件的基礎上，還提供了光暈圖、泡泡圖、流向地圖等十餘種新穎奪目的個性化圖表，更有獨特的3D全景視角，自由快捷製作各類互動式常規屏和大屏報表。

❽ 大數據技術架構圖是什麼樣學大數據開發都要學什麼

我是用的八斗學院的項目練習的，簡單說一下他們的大數據技術架構，1、日誌收集與數據存儲 2、數據預處理3、數據分析4、引擎模塊5、推薦策略演算法模塊6、在線服務數據

❾ 大數據可視化工具哪個做出來最漂亮

非編程篇/可直接上手的工具
1. Excel
Excel是最容易上手的圖表工具，善於處理快速少量的數據。結合數據透視表，VBA語言，可製作高大上的可視化分析和dashboard儀表盤。
單表或單圖用Excel製作是不二法則，它能快速地展現結果。但是越到復雜的報表，excel無論在模板製作還是數據計算性能上都稍顯不足，任何大型的企業也不會用Excel作為數據分析的主要工具。
2. 可視化 BI（Power BI \Tableau \ 帆軟FineBI等等）
也許是Excel也意識到自己在數據分析領域的限制和眼下自助分析的趨勢，微軟在近幾年推出了BI工具Power BI。同可視化工具Tableau和國內帆軟的BI工具一樣，封裝了所有可能分析操作的編程代碼，操作上都是以點擊和拖拽來實現，幾款工具的定位稍有不同。
Power BI
最大的明顯是提供了可交互、鑽取的儀錶板，利用Power Pivot可直接生產數據透視報告，省去了數據透視表。
Tableau
可視化圖表較為豐富，堪稱一等， 操作更為簡單。
帆軟FineBI
企業級的BI應用，實用性較強，因2B市場的大熱受到關注。千萬億級的數據性能可以得到保證，業務屬性較重，能與各類業務掛鉤。
對於個人，上手簡單，可以騰出更多的時間去學習業務邏輯的分析。
編程篇
對於尋求更高境界數據分析師或數據科學家，如果掌握可視化的編程技巧，就可以利用數據做更多的事情。熟練掌握一些編程技巧，賦予數據分析工作更加靈活的能力，各種類型的數據都能適應。大多數設計新穎、令人驚艷的數據圖幾乎都可以通過代碼或繪圖軟體來實現。
與任何語言一樣，你不可能立刻就開始進行對話。要從基礎開始，然後逐步建立自己的學習方式。很可能在你意識到之前，你就已經開始寫代碼了。關於編程最酷的事情在於，一旦你掌握了一門語言，學習其他語言就會更加容易，因為它們的邏輯思路是共通的。
1. Python語言
Python 語言最大的優點在於善於處理大批量的數據，性能良好不會造成宕機。尤其適合繁雜的計算和分析工作，而且，Python的語法干凈易讀，可以利用很多模塊來創建數據圖形比較受IT人員的歡迎。
2. PHP語言
PHP這個語言鬆散卻很有調理，用好了功能很強大。在數據分析領域可以用php做爬蟲，爬取和分析百萬級別的網頁數據，也可與Hadoop結合做大數據量的統計分析。
因為大部分 Web 伺服器都事先安裝了 PHP 的開源軟體，省去了部署之類的工作，可直接上手寫。
比如 Sparkline（微線表）庫，它能讓你在文本中嵌入小字型大小的微型圖表，或者在數字表格中添加視覺元素。
一般 PHP會和 MySQL 資料庫結合使用，這使它能物盡其用，處理大型的數據集。
3. HTML、JavaScript 和 CSS語言
很多可視化軟體都是基於web端的，可視化的開發，這幾類語言功不可沒。而且隨著人們對瀏覽器工作越來越多的依賴，Web 瀏覽器的功能也越來越完善，藉助 HTML、JavaScript 和 CSS，可直接運行可視化展現的程序。
不過還是有幾點需要注意。由於相關的軟體和技術還比較新，在不同瀏覽器中你的設計可能在顯示上會有所差別。在 Internet Explorer 6 這類老舊的瀏覽器中，有些工具可能無法正常運行。比如一些銀行單位仍舊使用著IE，無論是自己使用還是開發的時候都要考慮這樣的問題。
4. R語言
R語言是絕大多數統計學家最中意的分析軟體，開源免費，圖形功能很強大。
談到R語言的歷史，它是專為數據分析而設計的，面向的也是統計學家，數據科學家。但是由於數據分析越來越熱門，R語言的使用也不瘦那麼多限制了。
R的使用流程很簡潔，支持 R 的工具包也有很多，只需把數據載入到 R 裡面，寫一兩行代碼就可以創建出數據圖形。
當然還有很多傳統的統計圖表。