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。分库分表后，不仅限制了查询的灵活性，并且随着数据量继续增长到PB级，单个数据库实例的处理能力会成为整个系统的性能瓶颈。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。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。

项目数据分析。Hadoop系统和NoSQL数据库已经成为管理大数据环境的重要工具。不过，在很多情况下，企业利用他们现有的数据仓库设施，或是一个新老混合的技术来对大数据流入他们的系统进行管理。

无论一个公司部署什么类型的大数据技术栈，有一些共通的因素必须加以考量，以保证为大数据分析工作提供一个有效的框架。在开始一个大数据项目之前，去审视项目所要承担的新数据需求的更大图景显得尤为关键。

　 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。数据分析（DataAnalysis）是指用运用统计方法和分析工具对大量数据进行分析，挖掘出其潜在规律及价值，为经营决策提供科学严谨的理性依据。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。