大数据分析依赖于及时处理和查询复杂数据的能力。一个很好地例子就是：一家公司开发了一个数据仓库用来维护从能源使用计收集到的数据。在产品评估过程中，某供应商的系统有能力在15分钟内处理七百万条记录，而另一家则在相同时间内可以处理三十万条记录。但是，由于不断增加的数据容量和更广泛多样的数据类型，特别是当涉及结构化和非结构化数据混合时，就会对一个大数据的实施增加难度系数。能否识别正确的基础设施来支持快速的数据可用性和查询就意味着成功还是失败。数据仓储的一个核心要求是处理和存储大数据集的能力。但并不是所有数据仓库在这方面都满足要求。一些是针对复杂查询处理进行优化，而其他的则并非如此。并且在许多大数据应用程序中，相较于事务系统，由于添加了非结构化数据还有数据的创建和收集增速迅猛，用Hadoop和NoSQL技术增强数据仓库就成为必要。对于一个希望获取并分析大数据的***来说，光有存储容量是不够的；而重要的部分在于将数据置于何处才是佳的，这样数据就可以转化为有用信息并为数据科学家和其他用户所利用。但是，当用户访问量增加或是数据量不断增大时，从而导致数据库服务器无法及时响应用户请求，出现超时的错误。数据分析师的从业方向主要体现获得专职岗位。目前，在90%的***机构及企业中都配备了与数据分析相关的专职部门及人员。主要专职岗位如下：数据分析师、数据分析员、数据分析主管、数据分析工程师、数据挖掘人员等。数据分析报告一定要体现项目分析的***，在项目各项数据分析中，就应该***选取真实性、合法性指标，构建相关模型，科学***地进行分析，并且反映在分析结果中对同一类问题的描述中，也要按照问题的重要性来排序。从国外的发展经验看，大量企业都有自己专职的数据分析人员，为企业长期采集和分析企业内部及所属行业的数据，为决策层提供详细而准确的依据。)