由 dawei 公有云不只是改变了计算和存储的价格结构，而且还扩展了分析企业IT可以执行的范围。在同大数据集工作时尤为明显，没有弹性计算和存储的访问就不会有实践。
“大数据”的宽松定义是过大而不能用传统数据管理技术和基础架构处理的数据集。详细的服务器日志、点击流数据、社交网络数据和移动设备数据都是数据仓库中和商业智能系统中交易型数据类型的补充。此外，公有云数据存储库和第三方加速器也提供了大数据集话题，从Twitter流和Meetup博文到经济和人口普查数据。
合并这些数据源可以进行更加详细和精密的分析。获得客户如何在在你的网站上浏览以及他们就不同产品浏览多长时间的细节信息，获取更多关于客户偏好的洞察力，而不仅仅是追踪产品购买。
大数据检索：三源头
在你能够处理大数据之前，确定你要处理哪种类型的数据至关重要。大数据源分成三个广泛的分类：内部生成数据、数据集市场和第三方数据生成器。
内部生成大数据通常是IT运营的副产品。包括网络流量、点击流数据和应用日志。在过去，企业针对重要事件捕捉有限的信息，比如购买东西的客户。现在我们可以捕捉更多更为重要的信息，用你的业务应用就客户的交互分析低级别的细节信息。用数据挖掘算法结合这些详细信息，你会发现更多的洞察力，像界面的可用性、和低利润交易相关的模式或者意外客户类型群集。
数据集市场，比如Infochimps、亚马逊Web服务（AWS）的公有数据集和Windows Azure Marketplace，将提供范围广泛的数据集访问补充你的内部数据。如果你对于处方药使用、零售数据、交易数据或者更广泛的其他话题感兴趣，你可以在这些数据市场中找到数据。很多数据市场提供云数据分析，因此你可以直接用虚拟机在云端进行工作。
第三方生成器是关注收集和为客户提供数据或者供公共使用的组织。美国联邦政府和欧盟都是这样，生成大量的人口统计、经济和公共健康数据。私有公司，比如Hoover也提供增值服务，比如为客户提供市场和风险管理数据。
企业工具挖掘大数据潜能
很难结合大量非结构化和半结构化数据到关系型数据库中。云数据分析工具给企业提供所有规格能够分析这种数据。
如果数据结构化很好，你可能希望继续做关系型数据库，比如甲骨文或者微软SQL Server，二者对于AWS、微软Windows Azure以及其他的云提供商都可用。
当你开始处理亿万行数据时，是时候考虑Hadoop或者谷歌BigQuery了。AWS有一个Hadoop服务，称之为弹性MapReduce，节省了安装和配置Hadoop集群的时间。Hadoop很好的符合面向包的分析，但是BigQuery更适合交互式分析。BigQuery使用类SQL查询语言，并支持Tableau Software的可视化工具，这是对专业分析的两个重要考虑对象。
数据整合和管理
在数据仓库进行大数据分析的很多任务中，和抽取、转换和加载（ETL）操作相关联。跨多个数据集耦合实体是数据集使用唯一识别符时的挑战；数据格式需要表转化。
关注聚集级别的不同之处。比如，一些数据何以在日常级别聚集，其他的数据则只能够看作是普通的追踪级别。
最重要的，要知道数据传输成本，通常都要伴随着大数据出现。可能的话，在你存储数据相同的云中使用虚拟机。在处理谷歌BigQuery时，记住你要根据潮汛处理的数据量付费，因此只查询你需要的行和列。