1.AnalyticVisualizations(可視化分析)

無論是數據分析專家還是普通用戶，數據可視化都是數據分析工具的最基本要求.可視化可以直觀地展示數據，讓數據自己說話，讓觀眾聽到結果.；[1]；

2.Data，MiningAlgorithms(數據挖掘算法)

可視化是給人看的，數據挖掘是給機器看的.集群、分割、孤立點分析等算法使我們深入數據內部，挖掘價值.這些算法不僅要處理大數據的量，還要處理大數據的速度.

3.Predictive，Analytic.Capabilities的預測分析能力)

數據挖掘可以使分析師更好地理解數據，預測分析可以使分析師根據可視化分析和數據挖掘的結果進行預測判斷.；[1]；

4.Semantices(語義引擎)

我們知道非結構化數據的多樣性帶來了數據分析的新挑戰，需要一系列工具來分析、提取和分析數據.語義引擎需要設計成可以從文檔中智能提取信息.；[1]；

5.Quality，andMasterData，Management(數據質量和數據管理)

數據質量和數據管理是一些管理的優秀實踐.通過標準化的流程和工具處理數據，可以保證預先定義的高質量分析結果.

如果大數據真的是下一個重要的技術創新，我們最好關注大數據帶來的好處，而不僅僅是挑戰.

6.數據存儲，數據倉

數據倉庫是為了使多維分析和多角度展示數據以特定的模式確立存儲的關系型數據倉庫變得容易.在商業智能化系統設計中，數據倉庫的構建是關鍵，是商業智能化系統的基礎，承擔對商業系統數據融合的任務，為商業智能化系統出示數據提取、轉換和加載（ETL），依據主題查詢和訪問數據，為在線數據分析和數據挖掘出示數據平臺.