影响大数据与分析的因素有哪些？数据分析在数据库内进行索引和分析，并且企业拥有确保数据可以移至正确位置的工具。借助现代商业智能技术使答案更接近于业务用户。寻找、清查和综合分布广泛且多样化的数据资产。算法将有助于分析系统对数据进行指纹识别、发现异常和洞察，并提出应与之一起分析的新数据。
大数据与分析趋势如下：
一、大数据只是数据 广泛数据
大数据是一个相对的术语。定义大数据的一种方法是，超越现有技术所能实现的范围。如果企业需要更换或大量投资于额外的基础设施来处理数据，那么将面临巨大的数据挑战。
借助无限扩展的云存储，可以克服这一缺点。现在比以往任何时候都更容易在数据库内进行索引和分析，并且企业拥有确保数据可以移至正确位置的工具。
重点领域将是非常分散的数据或广泛的数据。数据格式正变得越来越多样化和分散化，因此，适合于不同数据风格的不同类型的数据库已增加了一倍多，海量数据的组合可以通过大数据技术进行处理，能够将这些零散而又多样化的数据源进行综合分析的企业将获得优势。
二、DataOps 分析自助服务
自助服务分析已经提上日程，并且借助现代商业智能技术使答案更接近于业务用户。但很多企业在数据管理方面还没有实现同样的敏捷性。
DataOps一种面向流程的自动化方法，提高质量并减少用于分析的数据管理的周期时间。它专注于持续交付，并通过利用按需IT资源，并自动执行数据测试和部署来实现这一目标。诸如实时数据集成、变更数据捕获和流数据管道等技术是实现这一目标的关键。
通过DataOps能够以系统的方式将80%的核心数据传递给业务用户，而自助数据准备是在数据较少情况下需要的独立区域。通过在操作方面使用DataOps，在业务用户方面使用分析自助服务，可以实现整个信息价值链的流动性，将综合与分析联系起来。
三、活动元数据目录
企业继续努力寻找、清查和综合分布广泛且多样化的数据资产，对数据目录的需求正在猛增。到2020年，人们将看到更多的人工智能元数据目录，这将有助于将这个庞大的任务从人工和被动转移到主动、自适应和变化。这将是数据运营和自助服务分析所提供的敏捷性的连接组织和治理。
活动元数据目录还包括信息个性化，这是生成相关见解和定制内容的必要组成部分。但是要做到这一点，目录还需要不仅在一种分析工具内工作，而且还需要整合大多数组织所拥有的零散工具。
四、数据素养，数据的使用率
将综合和分析连接起来以形成一个包容性的系统将有助于提高数据的使用率，但是如果没有人参与，世界上任何数据和分析技术或流程都将无法正常运行。仅仅依靠用户提供工具并寄希望于最好的工具已经远远不够。
提高行业标准分析采用率的关键组成部分是帮助人们变得对读取、使用、分析和通信数据充满信心。到2020年，企业希望扩大数据素养，并希望在此过程中与供应商合作。这是通过结合软件、教育和支持合作伙伴关系即服务而实现的，并考虑到结果。
目标可以是将采用率提高到100%，帮助将数据操作与自助服务分析结合起来，或者使数据成为每个决策的一部分。为了使这一点有效，企业需要自我诊断组织的位置和目的地，然后共生地找出如何实现这些结果。
五、Shashaming数据和计算机人机交互
数据分析对大量数据的影响现已达到临界点，并带来了里程碑式的成就。全球业界知名音乐服务提供商Shazam公司可以在其中识别声音并获取有关已识别歌曲的信息。最近，它已扩展到更多用例，例如只需分析照片并且识别就可以决定是否购买衣服。
shazaming数据的更多用例，如指向数据源并获取遥测数据，例如数据来自何处、谁在使用它、数据质量如何以及当天有多少数据发生了变化。算法将有助于分析系统对数据进行指纹识别、发现异常和洞察，并提出应与之一起分析的新数据。这将使数据和分析更精简，使人们能够在正确的时间使用正确的数据。
这与数据交互方面的突破相结合，超越搜索、仪表盘和可视化。将越来越能够通过动作和表达，甚至与大脑进行感官上的互动。