1. 大數據平台的軟體有哪些
現在肯定是大數據更吃香，但是後端也是不錯的，所以你根據個人的喜好來選擇吧！
2. 大數據時代的數據管理可以使用哪些軟體
傳統的數據管理，通常要根據業務需要，設計一個基於關系資料庫的應用程序。這樣的系統可以根據一個或者多個數據的特徵以及組合關聯進行查詢和分析，但是缺點是表結構固定、擴展困難、也不通用、只能局限在特定的專有應用場景。在強關聯的數據應用場景下，海量數據條目難以分庫分表，查詢效率會急劇下降，遇到數十億數據條目的時候有可能永遠也得不到結果。
進化型的數據管理採用分布式的半結構化資料庫，（比如使用文檔資料庫MongoDB，KV資料庫Cassendra或者Redis），這樣看起來擴展性好很多，但是當面臨大規模強關聯數據進行關聯分析和查詢的時候異常困難。
但是如果文件系統包含了數十億的文件和數億的目錄，想要快速發現數據，還需要對於數據特徵的標准特徵（例如名字、路徑、大小、訪問時間等）或者應用定義的特徵標簽關聯組合，有效管理數據。
極道的數據管理系統Metaview通過高級的圖引擎來解決這個問題。Metaview把數據和數據特徵都作為點，所有的特徵和數據的關聯，以及數據和數據的關聯作為邊構成了一個龐大的復雜圖。這個圖裡面有數十億個點，也有數十億條邊，通過把這個圖切分成多個小局部圖，分布式的存儲在多個計算資源上，在局部圖和局部圖的關聯之處做特殊處理，利用高級演算法進行並行分析，可以實現大規模、強關聯數據特徵的實時分析。
存儲系統原生的數據感知系統MetaHunter既不需要進行存儲系統掃描，也不需要網關，系統能夠自動將所有的數據特徵和變化動作捕捉到Metaview的後端圖引擎中進行索引。但這需要數據管理系統和存儲系統緊密配合，因為數據管理的特徵感知系統Metahunter的一部分邏輯是在存儲系統中實現的。
數據管理系統Metaview, 1秒內能夠從10億個文件、1億個目錄的文件系統中，根據任意標簽、名字等復雜組合條件快速發現任意指定數據，全量數據統計20秒完成，復雜全量數據分析5分鍾內完成。
極道數據管理系統MetaView結合計算數據流系統Achelous、分布式存儲系統ANNA/ALAMO組成的「三駕馬車」彼此相互配合協同，能夠有效將企業級用戶應用產生的海量數據轉化為數據資產。
3. 大數據應用是開發軟體應用嗎
你說的大數據應用，應該是指大數據技術與應用吧，這個其實是比較寬泛的說法，內開發軟體應用只是其中的一小部容分，或者說環節之一。大數據所涉及到的東西還多。
行業當中大數據相關的崗位也很多，大數據開發工程師、數據分析師、數據挖掘工程師、數據產品經理、數據架構師、可視化研發工程師等等，這些都屬於大數據應用當中需要的崗位人才。具體到各個崗位，需要掌握的技術和需要具備的能力，還有一定的不同，想了解各個崗位，可以更具體的去了解。
4. 常見大數據應用有哪些
Gartner的分析師Doug Laney在講解大數據案例時提到過8個更有新意更典型的案例，可幫助更清晰的理解大數據時代的到來。
1. 梅西百貨的實時定價機制。根據需求和庫存的情況，該公司基於SAS的系統對多達7300萬種貨品進行實時調價。
2. Tipp24 AG針對歐洲博彩業構建的下注和預測平台。該公司用KXEN軟體來分析數十億計的交易以及客戶的特性，然後通過預測模型對特定用戶進行動態的營銷活動。這項舉措減少了90%的預測模型構建時間。SAP公司正在試圖收購KXEN。
3. 沃爾瑪的搜索。這家零售業寡頭為其網站自行設計了最新的搜索引擎Polaris，利用語義數據進行文本分析、機器學習和同義詞挖掘等。根據沃爾瑪的說法，語義搜索技術的運用使得在線購物的完成率提升了10%到15%。「對沃爾瑪來說，這就意味著數十億美元的金額。」Laney說。
4. 快餐業的視頻分析。該公司通過視頻分析等候隊列的長度，然後自動變化電子菜單顯示的內容。如果隊列較長，則顯示可以快速供給的食物;如果隊列較短，則顯示那些利潤較高但准備時間相對長的食品。
5. Morton牛排店的品牌認知。當一位顧客開玩笑地通過推特向這家位於芝加哥的牛排連鎖店訂餐送到紐約Newark機場（他將在一天工作之後抵達該處）時，Morton就開始了自己的社交秀。首先，分析推特數據，發現該顧客是本店的常客，也是推特的常用者。根據客戶以往的訂單，推測出其所乘的航班，然後派出一位身著燕尾服的侍者為客戶提供晚餐。
6. PredPol Inc.。PredPol公司通過與洛杉磯和聖克魯斯的警方以及一群研究人員合作，基於地震預測演算法的變體和犯罪數據來預測犯罪發生的幾率，可以精確到500平方英尺的范圍內。在洛杉磯運用該演算法的地區，盜竊罪和暴力犯罪分布下降了33%和21%。
7. Tesco PLC（特易購）和運營效率。這家超市連鎖在其數據倉庫中收集了700萬部冰箱的數據。通過對這些數據的分析，進行更全面的監控並進行主動的維修以降低整體能耗。
8. American Express（美國運通，AmEx）和商業智能。以往，AmEx只能實現事後諸葛式的報告和滯後的預測。「傳統的BI已經無法滿足業務發展的需要。」Laney認為。於是，AmEx開始構建真正能夠預測忠誠度的模型，基於歷史交易數據，用115個變數來進行分析預測。該公司表示，對於澳大利亞將於之後四個月中流失的客戶，已經能夠識別出其中的24%。
5. 大數據應用主要是應用在哪些方面
很多方面，最復典型是分析垃圾制郵件內容，過濾垃圾信息。另外還有搜索引擎，圖像識別，語音識別等。一般平民很難接觸到大數據，需要很龐大的數據量得出的結果才有意義，所以大數據是有門檻的。但是大數據仍然在不知不覺間幫助我們。
6. 大數據技術基礎由谷歌什麼時間首先提出
現在公認的大數據基礎是谷歌的三駕馬車
DFS分布式文件系統
maprece，分布式計算框架
bigtable，分布式資料庫
分別是2003年，2005年，2006年公開發表的
7. 大數據應用較多的技術都有哪些
簡單說有三大核心技術：拿數據，算數據，賣數據。通用化的大數版據處理框架，主要分為權下面幾個方面：數據採集與預處理、數據存儲、數據清洗、數據查詢分析和數據可視化。涉及到的技術很多
Logstash
Sqoop
Strom
Zookeeper
Hadoop
等等
8. 大數據的軟體是什麼軟體
大數據來處理分析的自六大最好工具_網路經驗（僅供參考）：
http://jingyan..com/article/03b2f78c0471e55ea237aecc.html
9. Google是如何使用雲計算和大數據的
隨著雲計算和大數據的普及，越來越多的IT公司選擇將自己的大數據解決方案部署在雲上面。
雲計算和大數據的結合帶來了什麼便利呢？一個典型的大數據雲又是如何設計和部署的呢？
下面我們以Google Cloud作為例子，講解在工業界里邊是如何實際應用雲。
Google Cloud
Google作為分布式系統和大數據的領導者，開發了眾多跨時代的產品。幾乎每一個Google的產品，寫出一篇paper就可以創造一個開源社區的。
比如MapRece發布之後，開源社區根據Google的一篇論文開發出的Hadoop，BigTable發布之後，開源社區又進一步開發出Hbase等等。可以說沒有Google的創新，就沒有現在開源社區的繁榮。
而Google又把自家的產品，都放在Google Cloud上面，形成了豐富多彩的產品線，吸引了非常多的大大小小的公司如Snapchat等來使用。
Google App Engine (GAE)
我們都知道Web項目都需要大量的Web Service以及為之服務的運維系統。Google在雲計算領域首次嘗試的就是Google App Engine (GAE)，相對比當時的Amazon EC2，GAE只需開發者上傳軟體代碼，其他部署將由Google完成。
用戶只需要熟悉後端語言開發即部署大規模的集群。Google今年更是推出了GAE Flex，可以幫助用戶實現auto-scaling，用戶不再需要自己部署負載均衡的服務了。大部分中小企業的網站幾乎都可以無縫銜接到GAE上。
BigTable
BigTable的底層是註明的Google File System (GFS)，他實現了數據中心級別的可靠的分布式存儲。
也是最早的NoSQL資料庫的一種。各種網站如果有需要永久存儲的數據，一般都可以存放在BigTable里邊，Google Cloud會自動幫你做replication，分布在不同的伺服器節點里邊，這樣實現了可靠的分布式存儲。
Dataflow
Dataflow的底層實現利用了大名鼎鼎的MapRece的升級版Flume。
Dataflow特別方便進行大量的批處理，舉個例子來說，比如要把所有的用戶數據里邊的格式都升級一遍，用GAE或者其他service是很難實現的。
10. 谷歌分析大數據怎麼它就這么快
谷歌在大復數據處理是領先業界制幾年的，不少理論都是內部已經在用了，才公布出來的，然後其他公司按這個原理造另一個輪子
更多關於Google Analytics和Google Tag Manager的教程可以搜索「GA小站」