但是數據量大，只是大數據概念的特征之一，大數據有4個特征簡稱4V特征：

在2001年，高德納分析員道格·萊尼在一份與其2001年的研究相關的演講中指出，數據增長有三個方向的挑戰和機遇：量（Volume），即數據多少；速（Velocity），即資料輸入、輸出的速度；類（Variety），即多樣性。

在萊尼的理論基礎上，IBM提出大數據的4V特征，得到了業界的廣泛認可。第一，數量（Volume），即數據巨大，從TB級別躍升到PB級別；第二，多樣性（Variety），即數據類型繁多，不僅包括傳統的格式化數據，還包括來自互聯網的網絡日誌、視頻、圖片、地理位置信息等；第三，速度（Velocity），即處理速度快，如果處理不夠高速則無法應用在實時更新數據的場景上；第四，價值（Value），即追求高質量的、有價值的數據。

大數據4V特征：

• Volume 大量，既然叫大數據，那麽數據量肯定得大
• Variety多樣性，數據可以多種結構，可以是結構性數據、半結構性數據以及非結構性數據
• Value價值，這些大量的數據需要能夠被挖掘出有價值的數據，因為無價值的數據只是一堆占用存儲空間的垃圾
• Velocity高速，數據的處理速度要快，時效性強，因為很多場景下要實時更新、檢測數據

想要詳細了解大數據的4V特征可以參考以下文章：

http://www.mahaixiang.cn/sjfx/803.html
https://www.jianshu.com/p/b3281082edb3
https://www.leiphone.com/news/201410/NgTsZw3yDjEbk9on.html

大數據要解決的問題

大數據是要用來從中挖掘有價值的數據的，如果數據不能給企業帶來價值，不能給用戶帶來更好的體驗，那麽這些數據就是無用的。而從數據中挖掘價值就是大數據要解決的問題，這就好像淘金、挖礦一樣，我們利用大數據技術從海量數據中挖掘有用的數據，剔除無用的數據：

大數據帶來的挑戰

大數據涉及到的技術：

1.數據采集：
我們需要將分散的數據都采集起來，集中在一起，才能夠進行數據的分析

2.數據存儲：
將大量的數據采集起來後，存儲就是個問題，需要存儲空間足夠大

3.數據處理/分析/挖掘：
存儲的問題解決後，才開始對這些數據進行處理，分析、挖掘有價值的數據出來

4.可視化：
最後就是將這些挖掘出來的數據進行可視化、圖形化後呈現給別人看，總不可能讓你領導來看一堆數字或字符串吧

大數據在技術架構上帶來的挑戰：

1.對現有數據庫管理技術的挑戰：
海量的數據想要存儲到傳統的關系型數據庫是不太現實的，雖然數據庫可以進行集群，但是基本上也不能處理TB級以上的數據分析的，所以現階段無法使用結構化的查詢及處理去解決這些問題

2.傳統數據庫技術並沒有考慮數據的多類別：
關系型數據庫的結構都是庫 >> 表 >> 字段的關系結構，而大數據具有數據多樣化的特征，所以不好存儲

3.實時性的技術挑戰：
數據所產生的價值會隨著時間的推移而降低，所以要讓數據實時展現是個問題

4.網絡架構、數據中心、運維的挑戰：
由於數據一直呈大幅增長的狀態，而數據又要實時地呈現，這對網絡傳輸上是一個挑戰。而且數據量大，肯定得多臺服務器進行存儲，這就給數據中心以及運維帶來一定的挑戰

大數據帶來的其他挑戰：

1.數據隱私：
這個不用說，海量數據裏肯定會包含一些用戶的隱私數據，我們得保障這些數據不外泄

2.數據源復雜多樣：
之前也提到過大數據的特征之一就是數據的多樣性，如何處理好多樣的數據是個問題

如何應對大數據帶來的挑戰

對於以上所說到的挑戰，Google已經有應對這些挑戰的技術了：

• MapReduce 可以解決計算效率的問題
• Big Table 可以解決讀寫速度的問題
• GFS 可以解決存儲容量的問題

但是，Google只發表了這些技術的論文，並沒有開源這些技術，所以我們無法進行使用。不過，好在Apache基金會模仿著Google的大數據技術，開發出了Hadoop生態圈，Hadoop也是學習大數據技術必須要學的框架。

• Hadoop裏也有MapReduce
• Hbase對應著Big Table
• HDFS對應著GFS

如何學好大數據

1.學習一個框架，最好的方式就是查看它的官方，因為官網上的文檔是最權威且最詳細的。

2.通過項目實戰對知識點進行鞏固和融會貫通

3.參加一些社區活動：Meetup、開源社區大會、線下沙龍等，與他人交流有助於提升眼界

4.切記：多動手、多練習、貴在堅持

5.最好將英文學好，因為很多好的技術論文以及文章都是英文的，而且官網的語言也是英文的

大數據基本概念