• 20世纪90年代到21世纪是大数据的萌芽阶段，也称数据挖掘技术阶段。随着数据挖掘理论和数据库技术的成熟，一些商业智能工具和知识管理技术开始被企业所应用。

• 2003年–2006年是大数据发展的发展阶段，也称非结构化数据阶段，社交网络的流行带来大量非结构化数据的出现，传统的数据处理方法难以应对，数据处理系统、数据库架构得到新的发展。

• 2006年–2009年是大数据发展的成熟阶段，云计算，大数据形成并行计算和分布式系统（Hadoop)。 

• 2010年以来是大数据的爆发期阶段，随着智能手机的广泛流行，数据碎片化、分布式、流媒体特征更加明显，移动数据急剧上升。

•  2013年大数据技术开始向商业、科技、医疗、政府、教育、经济、交通、物流及社会的各个领域渗透，因此2013年也被称为大数据元年。

数据收集：大数据的采集主要有4种来源：管理信息系统、Web信息系统、物理信息系统、科学实验系统。

数据存取：大数据的存取大致可以分为3类：大规模的结构化数据、半结构化和非结构化数据混合、结构化和非结构化混合的大数据。

基础架构：云存储、分布式文件存储。

数据处理：将来自不同数据集的数据收集、整理、清洗、转换后，生成到一个新的数据集，为后续查询和分析处理提供统一的数据视图。

统计分析：差异分析、相关分析、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析(最优尺度分析)、bootstrap技术等等。

数据挖掘：需要用到数据挖掘技术和机器学习。

模型预测：预测模型、机器学习、建模仿真。

结果呈现：云计算、标签云、关系图等。

• 数据量大：多少数据算大数据？大数据最小的数据以10TB起。大数据的采集、存储和计算量都非常大。

• 极速处理数据：大数据处理速度以“秒”计算。数据具有时效性，要快速从各类型的数据中获得高价值的信息。

•  数据种类繁多：数据的格式是多样化的，如文字、图片、视频、音频、地理位置信息等，也可以是不同的数据类别，也可以有不同的来源，如传感器、互联网。

• 价值密度低：由于数据产生量巨大且速度惊人，但并不是所有数据都是有效数据，其中夹杂很多无效数据，因此数据价值的密度低。

• 在线：大数据数量庞大，云计算是一个很好的解决方案，数据随时在线供你计算或分析。

• 流数据

这类信息源包括从联网设备(通常是物联网的一部分)网络传输到IT系统的数据。您可以在数据到达时分析这些数据，并决定哪些数据要保留、哪些数据可以舍弃以及哪些数据需要做进一步分析。

虽然存储在几年前可能是一个问题，但是现在出现了一些低成本的存储数据的方法：

第一步是将数据处理成一组唯一数据组件，并减少要管理的数据量。

接下来，就要利用虚拟化技术的强大功能。企业必须虚拟化这组唯一数据组件，以便多个应用程序可以重复使用相同的数据占位，此外，将较小的数据占位存储在其它独立于供应商的存储设备上。

如何对抗大数据？虚拟化技术是企业对抗大数据管理挑战的秘密武器。

通过减少数据占位、虚拟化数据的重用与存储、文档集中管理，最终将大数据转化为小数据，这样就可以像管理虚拟数据一样管理大数据。数据占用空间变小之后，企业可以在以下三个关键领域显著改善数据管理: 

• 缩短应用程序处理数据的时间；
• 即使数据访问是分布式的，但集中管理可以有效地保护数据安全性；
• 保证所有备份数据可视化，这样数据分析的结果会更加准确。 

虚拟化大数据是什么？

虚拟化技术确实是管理大数据的最佳选择。数据虚拟化可以带给企业许多额外的好处，比如：终端用户能享受虚拟化大数据方案带来的灵活性、企业可以降低成本也不必事无巨细的依赖IT供应商。

科学数据管理方法不仅使大数据备份更高效而且还更容易恢复数据、并可节约近90%的成本，同时给予IT人员更多自由来做战略技术研究以推动企业的高质量发展，而不必将时间和精力都投入到琐细的大数据处理上。