两者有着本质差别“传统数据分析”在大部分时候，知识将机器学习模型当黑盒工具来辅助分析数据而“大数据分析”，更多时候是两者的紧密结合，大数据分析产出的不仅是一份分析效果测评，后续基于此来升级产品在大数据分析的场景中，数据分析往往是数据加墨的前奏，数据建模是数据分析的成果什么。

1 大数据建模是数据挖掘过程的一部分，旨在从大量数据中发现模式，解释现象，并建立数据模型2 大数据建模不仅仅涉及技术，它是一个结合业务知识，为解决实际问题而进行的数据分析过程若缺乏明确目标，建模便失去了其意义3 建模过程需要基于深入的业务理解，了解数据与业务问题之间的关联，并在建模。

所以数据是非常重要的一部分那么，接下来我们就详细说一下数据的处理与分析当看到数据的时候，首要做的并不是进行清洗或者特征工程，而是要观察数据所呈现的基本状态，以及进行数据与任务的匹配，这就需要我们之前所提到的业务常识与数据敏感度的能力了，只有通过完整的数据分析，才能够更为精准的做符合。

大数据的五个核心特性容量Volume种类Variety速度Velocity低价值密度Value和真实性Veracity，是理解建模基础的敲门砖理解并应对这些特性，是进入大数据建模世界的第一步学习大数据建模，首要任务是储备扎实的理论知识这包括计算机基础理解数据处理的基本流程和架构数据分。

1数据分析基础 统计学统计学是数据分析的基础，学习统计学可以帮助理解数据的特征分布以及变异性数学基础线性代数概率论和微积分等数学知识也是学习大数据分析的基础，通过数学方法可以建立数据模型和算法编程基础掌握至少一种编程语言，如Python或R，用于数据处理可视化和建模等2数据处理。

视角和工具不同1建模分析和大数据分析，一个是根据需求建模型，一种是根据数据输出提供解读依据，都是为了解决问题，方法和视角不同2建模分析师侧重用SASPythonRSpssModeler等工具进行数据建模分析和算法商业应用大数据分析师教授大数据分析的流程和工具使用从hadoop的单机和伪分布模式的安。

大数据模型建模方法主要包括以下几种1 数据清洗这是大数据建模的第一步，主要目的是去除数据中的噪声缺失值异常值等，为后续的数据分析做好准备数据清洗的方法包括数据过滤数据填补数据转换等2 数据探索在数据清洗之后，需要进行数据探索，了解数据的分布特征和关系这可以通过可视化。