大数据主要技术术语

① 大数据技术要掌握的要点有哪些

Zookeeper：安装Hadoop的HA的时候就会用到它，以后的Hbase也会用到它。需要把它安装正确 ，让它正常的跑起来。

Mysql：在Linux上把它安装好，运行起来，会配置简单的权限，修改root密码，创建数据库。

Sqoop：这个是用于把Mysal里面的数据导入Hadoop里面。

Hive：和Pig同理，想要变得厉害可以都学习。

Oozie：可以帮你管理你的Hive或者MapRece、Spark脚本还能检查你的程序执行的是否正确。

Hbase：这个是Hadoop生态体系中的NOSQL数据库，是按照key和value的形式存储的并且key是唯一的。所以可以帮你做数据排重，它与MYSQL相比存储的数据量大。

Kafka：这个是队列工具。可以利用它来做线上实时数据的入库或者是入HDFS，与Flume的工具配合使用，专门用来提供对数据进行简单处理。

Spark：这个工具是用来弥补MapRece处理数据速度上的缺点，特点就是把数据装载到内存里面去计算。适合做迭代运算，Java语言或者Scala都可以操作它，他们都是用JVM的。

关于大数据技术要掌握的要点有哪些，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

② 什么是大数据

大数据是指规模巨大、复杂度高、处理速度快的数据集合。这些数据集合通常无法使用传统的数据处理方法和工具进行处理和分析。

大数据通常具有以下特点：

数据量巨大：大数据集合的大小通常超过传统数据处理工具所能处理的范围，可能达到数十TB、数百TB或甚至更大。

数据类型多样：大数据集合中的数据类型通常包括结构化数据、半结构皮迟化数据和非结构化数据，如文本、音频、视频等。

处理速度快：大数据集合的处理速度需要在实时或接近实时的时孙握基间内完成，这需要高效的数据处理和分析技术。

数据来源广泛：大数据集合的数据来源包括传感器、社交媒体、互联网、移动设备等多种渠道，数据形态也是多样的。大数据的处理和分析需要使用大数据技术，包括分布式存储、分布式计算、机器学习、数据挖掘等技术。大数据可以用于各种领域，如金融、医疗、电商、物流等，为企业提供了更精准的决策和更高效的业务流程。

想要系则谨统学习，你可以考察对比一下开设有相关专业的热门学校获取资料好的学校拥有根据当下企业需求自主研发课程的能力，能够在校期间取得大专或本科学历，中博软件学院、南京课工场、南京北大青鸟等开设相关专业的学校都是不错的，建议实地考察对比一下。

祝你学有所成，望采纳。

北大青鸟中博软件学校学生课堂实录

③ 大数据分析的主要技术

主要技术有五类。根据查询大数据相关资料得知，大数据分析的主要技术分为以下5类。
1、数据采集：对于任何的数据分析来说，首要的就是数据采集，因此大数据分析软件的第一个技术就是数据采集的技术，该工具能够将分布在互联网上的数据，一些移动客户端中的数据进行快速而又广泛的搜集，同时它还能够迅速的将一些其他的平台中的数据源中的数据导入到该工具中，对数据进行清洗、转换、集成等，从而形成在该工具的数据库中或者是数据集市当中，为联系分析处理和数据挖掘提供了基础。
2、数据存取：数据在采集之后，大数据分析的另一个技术数据存取将会继续发挥作用，能够关系数据库，方便用户在使用中储存原始性的数据，并且快速的采集和使用，再有就是基础性的架构，比如说运储存和分布式的文件储存等，都是比较常见的一种。
3、数据处理：数据处理可以说是该软件具有的最核心的技术之一，面对庞大而又复杂的数据，该工具能够运用一些计算方法或者是统计的方法等对数据进行处理，包括对它的统计、归纳、分类等，从而能够让用户深度的了解到数据所具有的深度价值。
4、统计分析：统计分析则是该软件所具有的另一个核心功能，比如说假设性的检验等，可以帮助用户分析出现某一种数据现象的原因是什么，差异分析则可以比较出企业的产品销售在不同的时间和地区中所显示出来的巨大差异，以便未来更合理的在时间和地域中进行布局。
5、相关性分析：某一种数据现象和另外一种数据现象之间存在怎样的关系，大数据分析通过数据的增长减少变化等都可以分析出二者之间的关系，此外，聚类分析以及主成分分析和对应分析等都是常用的技术，这些技术的运用会让数据开发更接近人们的应用目标

④ 大数据热门词汇汇总

大数据热门词汇汇总
可以说，大数据是如今IT行业最热门的趋势之一，它催生出了处理大数据的一批全新技术。而新技术带来了新的热门词汇：首字母缩略词、专业术语和产品名称等。连"大数据"这个短语本身都让人犯晕。许多人一听到"大数据"，觉得是指"大量数据"，而大数据的涵义绝不仅仅涉及数据量的多寡。

下面是我们认为你要熟悉的几个热门词汇，按字母顺序排列。
ACID
ACID的全称是原子性、一致性、隔离性和持久性，这其实是一组需求或属性：如果这四个方面都得到遵守，就能在处理过程中确保数据库事务的数据完整性。虽然ACID问世已有一段时日，但是事务数据量的急剧增长把更多的注意力投向在处理大数据时需要满足ACID的规定。
大数据三要素
如今的IT系统在生成数量、速度和种类都很"庞大"的数据。
数量：IDC公司估计，今年全球信息总量将达到2.7泽字节（这相当于27亿太字节），而且每两年就翻一番。
速度：让IT管理人员们头痛的不仅仅是数据数量，还有数据从金融系统、零售系统、网站、传感器、无线射频识别（RFID）芯片以及Facebook和推特等社交网络源源而来的速度越来越快。
种类：如果回到5年前或可能10年前，IT人员处理的主要是字母数字数据，它们很容易存储在关系数据库中整齐排列的行和列中。现在不再是这样了。如今，推特和Facebook上的帖子、各种文档及网页内容等非结构化数据都是大数据组合的一部分。
列式（或列型）数据库
一些新一代数据库（如开源Cassandra和惠普的Vertica数据库）被设计成了按列存储数据，而不是像传统的SQL数据库那样按行存储数据。这种设计提供了更快的磁盘访问速度，提高了处理大数据时的性能。对数据密集型业务分析应用系统而言，列式数据库尤其受到欢迎。
数据仓库
数据仓库这个概念存在至今已有大概25年了，具体指将数据从多个操作IT系统复制到面向业务分析应用系统的辅助离线数据库
但是随着数据量急剧增长，数据仓库系统正在迅速改变。它们需要存储更多的数据以及更多种类的数据，因而数据仓库管理成为一大难题。10年或20年前，数据可能每周或每月复制到数据仓库系统中；而如今，数据仓库的更新要频繁得多，有的甚至实时更新。
ETL
将数据从一个数据库（比如支持银行应用事务处理系统的数据库）转移到另一个数据库（比如用于业务分析的数据仓库系统）时，就要用到提取、转换和加载（ETL）软件。数据从一个数据库传送到另一个数据库时，常常需要对数据进行重新格式化和清理操作。
由于数据量急剧增长，数据处理速度大大加快，对ETL工具的性能要求也大大提高了。
Flume
Flume是属于Apache Hadoop大家族（其他技术包括HBase、Hive、Oozie、Pig和Whirr）的一项技术，这种框架用于为Hadoop填充数据。该技术使用散布于应用服务器、Web服务器、移动设备及其他系统上的软件代理，收集数据，并将数据传送到Hadoop系统。
比如说，公司可以使用在Web服务器上运行的Apache Flume，收集来自推特帖子的数据，以便分析。
地理空间分析
推动大数据潮流的一个趋势是，由如今的IT系统生成和收集的地理空间数据越来越多。常言道，一幅图片的信息量抵得上1000个单词；所以难怪越来越多的地图、图表、照片及其他基于地理位置的内容是导致如今大数据呈爆炸式增长的主要动因。
地理空间分析是一种特殊形式的数据可视化（参阅下面的"可视化"条目），在地理地图上覆盖数据，以帮助用户更清楚地理解大数据分析的结果。
Hadoop
Hadoop是一种开源平台，用于开发分布式、数据密集型的应用程序。它由Apache软件基金会控制。
Hadoop的发明者是雅虎公司的开发者道格o卡廷（Doug Cutting），他在谷歌实验室的MapRece概念这个基础上开发出了Hadoop，以他儿子的玩具象命名。
另外，HBase是一种非关系数据库，它是作为Hadoop项目的一部分开发而成的。Hadoop分布式文件系统（HDFS）是Hadoop的一个关键组成部分。Hive则是建立在Hadoop基础上的数据仓库系统。
内存中数据库
计算机在处理事务或执行查询时，一般从磁盘驱动器获取数据。但是当IT系统处理大数据时，这个过程可能实在太慢。
内存中数据库系统利用计算机的主内存来存储经常使用的数据，因而大大缩短了处理时间。内存中数据库产品包括SAP HANA和甲骨文Times Ten内存中数据库。
Java
Java是一种编程语言，由现隶属甲骨文公司的Sun开发，于1995年发布。Hadoop和其他许多大数据技术都是使用Java开发而成的，它仍是大数据领域一种主要的开发技术。
Kafka
Kafka是一种高吞吐量的分布式消息传送系统，最初是在LinkedIn开发而成，用于管理该服务网站的活动流（关于网站使用情况的数据）和操作数据处理流水线（关于服务器组件的性能）。
Kafka在处理大量流式数据时很有效，而流式数据是许多大数据计算环境的一个关键问题。由推特开发的Storm是另一种大行其道的流处理技术。
Apache软件基金会已将Kafka列为一个开源项目。所以，别以为这是有缺陷的软件。
延迟时间
延迟时间是指数据从一个点传送到另一个点过程中的延迟，或者是某个系统（如应用程序）响应另一个系统的延迟数量。
虽然延迟时间不是什么新术语，但是随着数据量不断增长，IT系统竭力跟上步伐，如今你更常听到这个术语。简单地说，"低延迟"是好事，"高延迟"是坏事。
映射/化简
映射/化简（Map/Rece）这种方法是指把一个复杂的问题分解成多个较小的部分，然后将它们分发到多台计算机上，最后把它们重新组装成一个答案。
谷歌的搜索系统用到了映射/化简概念，这家公司有一个品牌名为MapRece的框架。
谷歌在2004年发布的一份白皮书描述了它使用映射/化简的情况。Hadoop之父道格o卡廷充分认识到了其潜力，开发出了同样借用映射/化简概念的第一个版本的Hadoop。
NoSQL数据库
大多数主流的数据库（如甲骨文数据库和微软SQL Server）基于关系型体系结构，使用结构化查询语言（SQL）用于开发和数据管理。
但是名为"NoSQL"（有些人现在称NoSQL表示"不是只有SQL"）的新一代数据库系统基于支持者们认为更适合处理大数据的体系结构。
一些NoSQL数据库是为提高可扩展性和灵活性设计的，另一些NoSQL数据库在处理文档及其他非结构化数据方面比较有效。典型的NoSQL数据库包括Hadoop/HBase、Cassandra、MongoDB和CouchDB，而甲骨文等一些知名开发商已推出了各自的NoSQL产品。
Oozie
Apache Oozie是一种开源工作流引擎，用于帮助管理面向Hadoop的处理工作。使用Oozie，一系列工作可以用多种语言（如Pig和MapRece）来加以定义，然后彼此关联起来。比如说，一旦从操作应用程序收集数据的作业已完成，程序员就可以启动数据分析查询任务。
Pig
Pig是Apache软件基金会的另一个项目，这个平台用于分析庞大的数据集。就其本质而言，Pig是一种编程语言，可用于开发在Hadoop上运行的并行计算查询。
定量数据分析
定量数据分析是指使用复杂的数学或统计模型，解释金融和商业行为，或者甚至预测未来的行为。
由于如今收集的数据量急剧增加，定量数据分析已变得更加复杂。但是如果公司知道如何利用海量数据，获得更好的可视性，深入了解公司业务，并且洞察市场发展趋势，那么更多的数据也有望在数据分析方面带来更多的机会。
一个问题是，拥有这种分析技能的人才严重匮乏。知名咨询公司麦肯锡表示，光美国就需要150万名拥有大数据分析技能的分析员和管理员。
关系数据库
关系数据库管理系统（RDBM）是如今使用最广泛的一种数据库，包括IBM的DB2、微软的SQL Server和甲骨文数据库。从银行应用系统、零售店的销售点系统到库存管理应用软件，大多数的企业事务处理系统都在RDBM上运行。
但有些人认为，关系数据库可能跟不上如今数据量和种类都呈爆炸式增长的形势。比如说，RDBM当初在设计时着眼于处理字母数字数据，处理非结构化数据时不是同样有效。
分片
随着数据库变得越来越庞大，处理起来也变得越来越困难。分片（sharding）是一种数据库分区技术，把数据库分成了更小、更容易管理的部分。具体来说，数据库被横向分区，以便单独管理数据库表中的不同行。
分片方法让庞大数据库的片段可以分布在多台服务器上，从而提高数据库的整体运行速度和性能。
另外，Sqoop是一种开源工具，用于将来自非Hadoop来源（如关系数据库）的数据转移到Hadoop环境。
文本分析
导致大数据问题的因素之一是，从推特和Facebook等社交媒体网站、外部新闻源，甚至公司内部收集而来以便分析的文本数量越来越多。由于文本是非结构化数据（不像通常存储在关系数据库中的结构化数据），主流的业务分析工具面对文本时常常束手无策。
文本分析采用了一系列方法（关键字搜索、统计分析法和语言研究法等），从基于文本的数据中获得洞察力。
非结构化数据
就在不久前，大部分数据还是结构化数据，这种字母数字信息（如来自销售交易的财务数据）很容易存储在关系数据库中，并由商业智能工具来分析。
但是如今共计2.7泽字节的存储数据中很大一部分是非结构化数据，比如基于文本的文档、推特消息、发布在Flickr上的照片、发布在YouTube上的视频，等等。（颇有意思的是，每分钟有长达35个小时的视频内容上传到YouTube。）处理、存储和分析所有这些凌乱的非结构化数据常常是如今的IT系统面临的难题。
可视化
随着数据量的增长，人们使用静态的图表和图形来理解数据越来越困难了。这就导致开发新一代的数据可视化和分析工具，能够以新的方式呈现数据，从而帮助人们理解海量信息。
这些工具包括：标以色码的热图，三维图形，显示一段时间内变化的动画可视化，以及在地理地图上覆盖数据的地理空间呈现。今天的先进数据可视化工具还具有更强的互动性，比如允许用户放大某个数据子集，进行更仔细的检查。
Whirr
Apache Whirr是一组Java类库，用于运行大数据云服务。更确切地说，它可以加快在亚马逊弹性计算云（EC2）和Rackspace等虚拟基础设施上开发Hadoop集群的过程。
XML
可扩展标记语言（XML）用来传输和存储数据（别与HTML混为一谈，后者用来显示数据）。借助XML，程序员们就可以创建通用的数据格式，并通过互联网共享信息和格式。
由于XML文档可能非常庞大、复杂，它们往往被认为导致IT部门面临大数据挑战。
尧字节
尧字节（yottabyte）是一种数据存储度量指标，相当于1000泽字节。据知名调研机构IDC公司估计，今年全球存储的数据总量预计将达到2.7泽字节，比2011年增长48%。所以，我们离达到尧字节这个大关还有很长一段路，不过从目前大数据的增长速度来看，那一天的到来可能比我们想象的要快。
顺便说一下，1泽字节相当于1021字节的数据。它相当于1000艾字节（EB）、100万拍字节（PB）和10亿太字节（TB）。
ZooKeeper
ZooKeeper是由Apache软件基金会创建的一项服务，旨在帮助Hadoop用户管理和协调跨分布式网络的Hadoop节点。
ZooKeeper与HBase紧密集成，而HBase是与Hadoop有关的数据库。ZooKeeper是一项集中式服务，用于维护配置信息、命名服务、分布式同步及其他群组服务。IT管理人员用它来实现可靠的消息传递机制、同步流程执行及实施冗余服务。

⑤ 大数据分析师必知的25个术语

最后，您将对Data Analytics中最基本的流程，工具和任务有基本的了解。在我们完全指导的数据分析入门课程中，所有这些内容都得到了详细介绍，该课程将使您从一个完整的初学者到对数据的了解仅一个月。现在，让我们打开前25个术语并找出其中的内容。

1.资讯主页

数据分析师使用数据可视化工具(通常称为仪表板)将接收到的所有数据转换为图表。从本质上讲，这是他们的控制室，他们可能花了很多时间来构建这个数据中心。确保告诉他们看起来很棒。

2.数据收集

一个相当宽泛的术语，用于描述收集数据的实际行为。根据业务或组织的性质，可通过多种方法收集数据。数据可以从在线调查的结果中收集，也可以通过记录进入购物中心的人员来往的传感器收集。数据分析师必须确保安全地收集数据且不会遇到问题。

3.统计

数据分析师应该至少对统计数据有基本的了解，因为他们经常在数据分析中发挥作用。重要的是要知道离散变量和连续变量之间的区别，数据分析人员将需要掌握统计模型。

4.数据建模

对于外行来说，很难建立数据模型。简而言之，数据模型用于映射数据需要流动的方式。使用文本和符号，可以更基本地了解复杂数据流及其移动之间的关系。一旦确定了数据的前进方向，就可以开始计划如何分析数据。

5.数据准确性

另一方面，数据准确性是一个非常简单的概念。您收集和记录的数据必须正确，否则将基于虚假信息做出业务决策。数据准确性的另一方面涉及数据收集的方法-应该有一种标准的方法来收集企业内部的数据，以确保一致的数据收集。

6.数据挖掘

数据挖掘是数据分析的核心-广义上讲，它是指搜索数据以识别模式和趋势的整个过程。数据分析师是信息产业的坚强后盾。

7.数据监控

预计数据分析师将定期检查数据的收集和存储，以确保其符合质量和格式标准。良好的数据监控做法可以避免在移动数据之前检查数据，从而节省了业务时间和金钱。

8.数据清理/数据清理

数据清理是指删除数据的行为，这将导致分析失真或不准确。如果您的数据很脏，或者是因为您收集的数据质量不佳，或者是因为其中包含的准确性不高，那么该是时候洗一下了，错误的决定将在此基础上做出。

9.预测分析

预测分析也称为预测建模，它涉及使用数据对未来结果进行假设和预测。必须使用预测分析来维持业务的竞争优势。

10.数据完整性

数据完整性是数据在其整个生命周期中的维护和保护。它涉及安全性，备份和删除重复数据。

11.数据提取

数据提取是从数据源中获取数据以进行存储或处理的实际过程。通常，数据在提取时是非结构化的，并且可以采用任何形式，例如表和索引。

21. API

应用协议接口是使一系列功能自动化的现成代码，通常用于数据分析。为了加快预测分析的过程，API用于快速处理和摘要数据。我们需要将信息转换为智能，而API通过执行与此类工作相关的通常单调的任务，使数据分析师的工作变得更轻松。

22.数据充实

关于客户数据，数据充实的过程涉及第三方数据与现有数据的合并。“丰富”一词涉及这样的事实，即当您向其中添加额外的数据时，原始数据变得更加有价值。这一切与了解更多有关您的客户有关，并且当配备了这些知识后，品牌便可以个性化他们的营销。

23.数据可访问性

通过改善数据的可访问性，其他涉众可以使用此类数据来影响自己的决策。公司员工对数据的了解越多，他们就越有能力做出明智的决策，从而在竞争中处于领先地位。

24.数据核对

数据协调本质上是一项检查，旨在确保数据迁移正常运行。将目标数据与原始源数据进行比较，以检查所有计划中的事情。重要的是要证明迁移没有遇到问题。

25.数据标准化

为了允许将不同的数据集一起使用，必须确定一种通用形式。本质上，这是将不同的变量放在相同的范围内的行为，以便可以对它们进行比较和对比。此过程发生在从源中获取数据之后，然后再将其加载到目标系统中。

所以你怎么看?所有大数据分析师必知的25个术语和过程乍一看似乎令人生畏，但如果其中任何一个引起了您的兴趣，为什么不参加我们的数据分析入门课程而又走得更远呢?除了这篇文章之外，大数据分析师必知的25个术语我们还介绍 了数据分析师和数据科学家之间的差异，而我们的数据分析师薪资指南将使您了解作为数据分析师可以赚到的钱。

⑥ 什么是大数据技术

大数据技术是指从各种各样类型的数据中，快速获得有价值信息的能力。适用于大数据的技术。
包括大规模并行处理（MPP）数据库，数据挖掘电网，分布式文件系统，分布式数据库，云计算平台，互联网，和可扩展的存储系统。
大数据的应用：大数据是信息产业持续高速增长的新引擎，几乎各个行业都会逐步引入大数据技术，尤其是那些将要实现互联网信息化转型的传统企业。
面向大数据市场的新技术、新产品、新服务、新业态会不断涌现。在硬件与集成设备领域，大数据将对芯片、存储产业产生重要影响，还将催生一体化数据存储处理服务器、内存计算等市场。在软件与服务领域，大数据将引发数据快速处理分析、数据挖掘技术和软件产品的发展。

⑦ 大数据的概念

大数据概述
专业解释：大数据英文名叫big data，是一种IT行业术语，是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
通俗解释：大数据通俗的解释就是海量的数据，顾名思义，大就是多、广的意思，而数据就是信息、技术以及数据资料，合起来就是多而广的信息、技术、以及数据资料。
大数据提出时间
“大数据”这个词是由维克托·迈尔-舍恩伯格及肯尼斯·库克耶于2008年8月中旬共同提出。
大数据的特点
Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）-由IBM提出。
大数据存在的意义和用途是什么？
看似大数据是一个很高大上的感觉，和我们普通人的生活相差甚远，但是其实不然！大数据目前已经存在我们生活中的各种角落里了，举个例子，我们现在目前最关心的疫情情况数据，用的就是大数据的技术，可以实时查看确诊人数以及各种疫情数据。
大数据存在的意义是什么？
从刚才的举例中我们基本可以了解，大数据是很重要的，其存在的意义简单来说也是为了帮助人们更直观更方便的去了解数据。而通过了解这些数据后又可以更深一步的去挖掘其他有价值的数据，例如今日头条/抖音等产品，通过对用户进行整理和分析，然后根据用户的各种数据来判断用户的喜爱，进而推荐用户喜欢看的东西，这样做不仅提升了自身产品的体验度，也为用户提供了他们需要的内容。
大数据的用途有哪些？
要说大数据的用途，那可就相当广泛了，基本各行各业都可以运用到大数据的知识。如果简单理解的话，可分为以下四类：
用途一：业务流程优化
大数据更多的是协助业务流程效率的提升。能够根据并运用社交网络数据信息 、网站搜索及其天气预告找出有使用价值的数据信息，这其中大数据的运用普遍的便是供应链管理及其派送线路的提升。在这两个层面，自然地理精准定位和无线通信频率的鉴别跟踪货物和送大货车，运用交通实时路况线路数据信息来选择更好的线路。人力资源管理业务流程也根据大数据的剖析来开展改善，这这其中就包含了职位招聘的调整。
用途二：提高医疗和研发
大型数据分析应用程序的计算能力允许我们在几分钟内解码整个dna。可以创造新的治疗方法。它还能更好地掌握和预测疾病。如同大家配戴智能手表和别的能够转化成的数据信息一样，互联网大数据还可以协助病人尽快医治疾患。现在大数据技术已经被用于医院监测早产儿和生病婴儿的状况。通过记录和分析婴儿的心跳，医生预测可能的不适症状。这有助于医生更好地帮助宝宝。
用途三：改善我们的城市
大数据也被用于改进我们在城市的生活起居。比如，依据城市的交通实时路况信息，运用社交媒体季节变化数据信息，增加新的交通线路。现阶段，很多城市已经开展数据分析和示范点新项目。
用途四：理解客户、满足客户服务需求
互联网大数据的运用在这个行业早已广为人知。重点是如何使用大数据来更好地掌握客户及其兴趣和行为。企业非常喜欢收集社交数据、浏览器日志、分析文本和传感器数据，以更全面地掌握客户。一般来说，建立数据模型是为了预测。
如何利用大数据？
那我们了解了这么多关于大数据的知识，既然大数据这么好，我们怎么去利用大数据呢？那这个就要说到大数据的工具BI了，BI简单理解就是用来分析大数据的工具，从数据的采集到数据的分析以及挖掘等都需要用到BI，BI兴起于国外，比较知名的BI工具有Tableau、Power BI等；而国内比较典型的厂家就是亿信华辰了。虽然BI兴起于国外，但是这些年随着国内科技的进步以及不断的创新，目前国内BI在技术上也不比国外的差，而且因为国内外的差异化，在BI的使用逻辑上，国内BI更符合国内用户的需求。