利用大数据进行分析，大致是需要六个过程，提出问题——问题分析——数据准备——数据分析——产生报告——提出方案，大数据分析，主要是围绕这六个进行开展。以下是小编为你整理的大数据要学哪些知识  

进行大数据分析，虽说各个行业都不一定相同，但是基本思路都是一样的，分析的对象有：市场，用户，渠道，效果，这几大类，如果有条件还可以进行分支拓展。  

对市场/行业进行大数据收集，分析：比如说，数据收集的方向，可以从大方向以及小方向进行，大的方向可以从政治，经济，社会，技术这几个入手，小方向可以从产品分析。

对于用户的调查，可以开展用户画像，数据内容包括：身份，行为，居住，交际圈等，往小了分，还有可以分为年龄，性别，学历，消费情况，兴趣爱好，在哪些圈子等等....  

对产品进行数据分析，可以从人群——市场——渠道——产品，这四个轮回，通过人群，可以得到市场，通过渠道可以得到人群，通过人群又可以得到产品的使用情况。  

要进行大数据分析，光有上面还是不够的，还需要进行一个营销效果的分析，分析的方向，包括用户的行为，渠道的流量变化，以及一个最终的成本收益，投资回报率等。  

根据对营销效果的分析，从而可以分析出不同渠道的一个流量以及收益情况，从中就可以筛选出渠道的优势以及劣势，再集中汇集跟分析报告，这样就可以定出方案了。  

何为用户行为信息  

简单地说，就是用户在网站上发生的所有行为，如搜索、浏览、打分、点评、加入购物筐、取出购物筐、加入期待列表、购买、使用减价券和退货等;甚至包括在第三方网站上的相关行为，如比价、看相关评测、参与讨论、社交媒体上的交流、与好友互动等。  

对客户进行多维度地分析，以用户的地域、性别、年龄等人文属性建立分析维度，把所有的团购信息进行筛选，这样可以简单地把EDM的相关性大幅提高，起码用户收到的邮件是基本在住宅、工作场所附近，和自己的普通属性相关的，可能有一些兴趣的商品。  

对客户过去是否有点击，是否有购买，购买的产品价值，购买的频率，最近一次什么时候购买等属性进行量化，产生客户价值的评分，把客户分出价值的高低，对推荐的接受难易程度作出评估，依据这些评分来决定多频繁对该客户进行EDM操作，以及推荐的商品的细类，以提高反馈率。

对购买过商品客户的购买记录，以及点击过的商品记录进行分析，对团购的折扣比例，商品原价，折扣金额，团购时间长短，能否退款，是否单人使用，风格等等分别打分、统计、归类，以对客户的可能兴趣点进行“预测”，这是一个相对高级、相对复杂的过程，但是运用得好的话会收到非常良好的效果。  

考虑在所有推荐的商品旁边增加一个“不喜欢”的按钮，收集客户不喜欢的东西对个性化推荐来说具有几乎和喜欢的商品一样重要的价值，假设一个客户告诉你他不喜欢一款49元的西餐厅的双人午餐，可能比他点击甚至购买另外一个99元日餐双人套餐给你透露的信息还要多。  

因此无论从什么角度来说，电子商务和团购都还有大量的优化空间，我相信以大数据为核心的个性化营销则是帮助电商在这场红海大战中赢得战役的利剑。  

数据可视化和展示中的性能技巧  

●确保可视化层显示的数据都是从*的汇总输出表中取得的数据。这些总结表可以根据时间短进行汇总，建议使用分类或者用例进行汇总。这么做可以避免直接从可视化层读取整个原始数据。  

●这不仅*限度地减少数据传输，而且当用户在线查看在报告时还有助于避免性能卡顿问题。  

●重分利用大化可视化工具的缓存。缓存可以对可视化层的整体性能产生非常不错的影响。  

●物化视图是可以提高性能的另一个重要的技术。  

●大部分可视化工具允许通过增加线程数来提高请求响应的速度。如果资源足够、访问量较大那么这是提高系统性能的好办法。  

●尽量提前将数据进行预处理，如果一些数据必须在运行时计算请将运行时计算简化到最小。  

●可视化工具可以按照各种各样的展示方法对应不同的读取策略。其中一些是离线模式、提取模式或者在线连接模式。每种服务模式都是针对不同场景设计的。  

●同样，一些工具可以进行增量数据同步。这*限度地减少了数据传输，并将整个可视化过程固化下来。  

●保持像图形，图表等使用最小的尺寸。  

●大多数可视化框架和工具的使用可缩放矢量图形(SVG)。使用SVG复杂的布局可能会产生严重的性能影响。