要解释清楚大数据，可以从三个方面来解释。从技术架构来看，目前的大数据概念已经发展为一系列概念，包括数据采集、数据存储、数据分析、数据安全和数据应用。从大数据的价值空间来看，大数据是以数据的价值为基础，以行业应用为价值出口。从未来发展趋势来看，大数据、人工智能和物联网的结合将是
为什么要做数据分析？
其实，现在不会再有人再问这样的问题了，因为大数据时代下，每个人都知道数据分析的重要性！数据分析在企业经营或个人生活中都很有用处，关键在于我们如何使用它。数据分析不仅是某一条公式或者一串代码，它真正的魅力在于系统地、客观地、有逻辑地思考，用这种思考方式去代替零散、臆断、盲目，这才是它最大的价值，当我们在工作中接到一项任务时，首先主观意识第一反应“我想不想做这个事？如果我做了会产生什么影响？”决定做了之后，又要开始思考“我能不能干这个事？做这个事需要什么条件？到底应该如何做这件事？”这些心理建设和意愿、能动性、创造力有关。
再来看数据分析，它是一种后置的、理性的方法，很难预知；如果不做数据分析，只能靠臆想猜测结果，如果做了数据分析，才能知道：现状是怎样的？到底现状好不好？出现这个状况的原因是…？预测一下结果会如何？下一步应该怎么做？这5个问题是环环相扣的，有了清晰的描述才能寻找指标，有了指标才有好坏判断，有好坏判断才能思考为什么好或不好，有了原因才知道如何构建预测模型，如何全面评估，
从一个最简单的例子来说，设想下，你刚就任一个销售公司大区总监，掌管着华北500家客户，忽然收到财务发来的一封邮件说这个月业绩KPI没有达标。那么第一件事，就是要看数据，业绩状况到底是什么情况？差多少达标？什么时候开始不达标的？差距越来越大还是越来越小？所有区域还是单个区域的问题？没有问题的是不是正在变得有问题？所有一切都要用数据说话，
接下来，还需要做以下三项分析工作：原因分析：通过数据分析找一下不达标的原因；预测分析：预测一下销售走势，预计业绩有多大缺口；评估分析：评估一下过往的措施哪个好用，然后安排下一步举措。不过在实际工作中，80%的时间都被耗在清理数据、更新报表、做描述性统计上，剩下时间可能还在写评估报告，最后就变成，只有数据，没有分析，
如果使用分析云来做数据分析，数据抽取与业务模型是独立的，数据抽取由系统自动完成，且可跨平台集成数据，大大减少了清理数据的工作；而业务模型是固定不变的，数据更新，报表内容也会随之更新，如需调整模型，也可由业务人员自行完成操作。通过数据穿透、钻取，找到原因；通过历史数据，预测今后走势；通过对比，全面评估，
nba的比赛数据是谁统计的？为什么cba统计不出这么详尽的数据？
这个小编也不是很清楚，但可以确定的时如果咱们CBA管理层在这方面投入相仿资金的话，那么一定也可以让球员们的数据更加的详细。对于一个联赛而言，并不是说球员实力强大才会有市场，投入的资金同样可以拉拢人气！无论在国外还是国内，NBA联盟大部分数据都是可以在网站上免费观看的，这些数据的详细程度显然令人惊讶，除了篮板，得分，盖帽这些常规数据之外，在效率值，进攻防守的效率，球员per值，球场各位置的命中率等也都一一记录在本，只要你在NBA打过球，所有你能想得到的球员数据都可以查得到。
和cba比起来，有点尴尬。有些国内玩家连头像都没有，除了常规数据也无处可查效率值。说真的，我真不知道CBA那些高管是怎么选球员的。也许只要外援优秀，对他们也有好处！不仅在数据方面，cba甚至在视频制作、镜头位置、密度等方面都落后于NBA。看cba的时候，总觉得场面没那么震撼。一些优秀的快攻和扣篮镜头都在回放甚至不近的场景。就算球员跳得再高，在我们CBA的视频里也像地板流！NBA的广告视频太震撼了，包括配乐，而我们cba太慢了，你知道，这是一项充满激情的运动。
