1、分类

检查未知分类或暂时未知分类的数据，目的是预测数据属于哪个类别或属于哪个类别。使用具有已知分类的相似数据来研究分类规则，然后将这些规则应用于未知分类数据。

2、预测

预测是指对数字连续变量而不是分类变量的预测。

3、关联规则和推荐系统

关联规则或关联分析是指在诸如捆绑之类的大型数据库中找到一般的关联模式。

在线推荐系统使用协作过滤算法，该协作过滤算法是基于给定的历史购买行为，等级，浏览历史或任何其他可测量的偏好行为或什至其他用户购买历史的方法。协同过滤可在单个用户级别生成“购买时可以购买的东西”的购买建议。因此，在许多推荐系统中使用了协作过滤，以向具有广泛偏好的用户提供个性化推荐。

4、预测分析

预测分析包括分类，预测，关联规则，协作过滤和模式识别(聚类)之类的方法。

1、可视化分析

大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。

2、数据挖掘算法

大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法(可以称之为真理)才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。

3、预测性分析能力

大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。

4、数据质量和数据管理

大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。 当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。

实际上，虽然在大数据时代背景下，统计学的知识体系产生了一定程度的调整，但是统计学本身的理念与大数据还是具有一定区别的，统计学注重的是方式方法，而大数据则更关注于整个数据价值化的过程，大数据不仅需要统计学知识，还需要具备数学知识和计算机知识。从另一个角度来说，统计学为大数据进行数据价值化奠定了一定的基础。

从技术体系结构来看，统计学知识主要应用在大数据分析领域，统计学方式是大数据分析的两种主要方式之一，另一种数据分析方式是机器学习。所以，对于主攻大数据分析方向的研发人员来说，掌握统计学知识还是很有必要的，统计学在数据分析方面已经形成了一个较为系统的知识体系，而且很多技术已经经过了实践的检验。其实对于很多职场人来说，平时大部分的数据分析任务都是基于统计学理论进行的，包括采用的数据分析工具也都属于统计学领域的范畴。

从未来的发展趋势来看，一方面统计学会进一步向大数据倾斜，包括目前不少统计学专业的研究生课题，都逐渐开始向大数据方向拓展，另一方面大数据会在发展的初期大量采用统计学相关理论和技术，这也能够提升大数据相关技术的落地应用能力。