大數據的應用領域逐漸廣泛，依靠于大數據技術不斷地技術改進，大數據的分析模型和具體的使用技術都在進行不斷地更迭。對大數據的技術進行分析和研究，能夠更好地了解當前行業的發展現狀。

　　大數據的分析模型可以MapReduce開始講起。從MapReduce發展至今，十幾年時間，大數據完成了概念向技術的轉變，以hadoop為首，到后來的Spark和Pig,大數據的框架逐漸增加，其適用的領域也在隨之增加。大數據的基礎設施中，以數據湖和霧計算為例，數據的解決方案在不斷的增加。

　　大數據的分析技術是建立在大數據的數據模型，對數據進行分析和預測等。大數據分析技術在近幾年發展迅速，并具備了智能化、實時化和易用性的發展特征。

　　1.大數據智能化

　　大數據的發展開始和當前的機器學習結合，即作用于當前的人工智能，在近幾年這種趨勢尤為明顯。這兩項技術的融合能夠提高大數據分析的敏銳性，更快地實現智能關系發現和預測。這一趨勢的典型應用范例是AlphaGo。通過構建海量的數據，利用深度學習對算法進行改進，利用大規模并行計算，最終實現能和人類一樣思考的人工智能。

　　大數據和機器學習整合之后的人工智能，不僅僅是使行業領域發生了轉變，也是一種技術上的突破，這項突破還將作用于醫療、交通、金融和教育等為代表的一些領域。同時，這項技術還能夠為智慧城市提供智能化的解決方案，這些都表明了大數據技術能在將來實現大規模的智能化。我們能夠依靠終端設備中的數據，作為數據智能化分析的依據。

　　2.大數據實時化

　　實時分析是大數據技術的另一個發展方向。隨著大數據技術的深入發展，各類應用對于數據的實時分析和處理的要求不斷提高。與針對歷史數據的聚合和分析不同，實時數據分析具有更強的時效性，也對數據存儲、計算和呈現提出了更高要求。Hadoop中的批處理框架在對實效性要求較高的分析，例如，實時用戶行為分析、用戶分類和推薦等應用場景中的局限日益凸顯。Spark Streaming、Samza、Storm等流式實時計算框架應運而生。以Spark Streaming為代表的實時分析框架具有優秀的調度機制，快速的分布式計算能力，在數據的匯聚和批處理之間通過關鍵參數建立平衡，提升了數據吞吐量和性能，對實時計算提供了有效支持[7]。實時性預示著大數據將更深度地融入人們的工作和生活之中，在交通、翻譯等需要及時響應的領域中，大數據會體現出更強大的作用。

　　3.大數據易用性

　　大數據技術的基礎模型和核心技術不斷改進，當前的中小企業如果想要使用大數據的流程也趨向簡易化，谷歌，微軟都推出了大數據的使用平臺，在國內，阿里，騰訊和百度也相繼推出了大數據平臺，同時能夠根據企業的不同需求，為企業的業務和模型方面，搭建實際的解決方案。大數據使用的門檻降低是當前大數據得以廣泛發展的基礎。