我们先谈谈大数据是什么样的数据。 IBM有一个著名的5V大数据理论：Volume(大量)、Velocity(高速)、Variety(多样性)、Value(价值)以及Veracity(真实性)。简而言之，达到大规模的数据，极快的流通速度，数据类型和来源的多样性，低值密度以及可以反映事物真实性的数据就是大数据。那么大数据分析和传统数据分析之间有什么区别?

大数据和数据分析区别是什么?

大数据和数据分析处理的数据规模不同：大数据分析是指在可承受的时间范围内无法使用常规软件工具捕获，管理和处理的数据集合;数据分析是指使用适当的统计分析方法来收集数据，以进行大量数据分析。还存在不同的理论要求，不同的工具要求，不同的分析方法，不同的业务分析功能以及不同的结果表示功能。

大数据和数据分析之间的区别表现在哪些方面?

第一，就分析方法而言，两者并无本质区别。数据分析的核心工作是对数据指标的分析，思考和解释。人脑可以携带的数据量极为有限。因此，无论是“传统数据分析”还是“大数据分析”，都需要根据分析思路对原始数据进行统计处理，以获得汇总统计结果供人为分析。两者在此过程中相似，不同之处仅在于处理方法是由原始数据的大小引起的。

第二，两者在使用统计知识方面有很大的不同。“传统数据分析”中使用的知识主要围绕“可以通过少量采样数据来猜测现实世界”这一主题。 “大数据分析”主要是使用各种类型的全量数据(非采样数据)设计统计程序并获得详细而有把握的统计结论。

第三，两者之间在机器学习模型方面存在根本差异。“传统数据分析”大多数时候，知识使用机器学习模型作为黑匣子工具来协助分析数据。 “大数据分析”通常是两者的紧密结合。大数据分析不仅会产生分析效果评估，而且还会基于此进行产品升级。在大数据分析的背景下，数据分析通常是数据上墨的序幕，而数据建模是数据分析的结果。