1. 大数据平台的软件有哪些
现在肯定是大数据更吃香，但是后端也是不错的，所以你根据个人的喜好来选择吧！
2. 大数据时代的数据管理可以使用哪些软件
传统的数据管理，通常要根据业务需要，设计一个基于关系数据库的应用程序。这样的系统可以根据一个或者多个数据的特征以及组合关联进行查询和分析，但是缺点是表结构固定、扩展困难、也不通用、只能局限在特定的专有应用场景。在强关联的数据应用场景下，海量数据条目难以分库分表，查询效率会急剧下降，遇到数十亿数据条目的时候有可能永远也得不到结果。
进化型的数据管理采用分布式的半结构化数据库，（比如使用文档数据库MongoDB，KV数据库Cassendra或者Redis），这样看起来扩展性好很多，但是当面临大规模强关联数据进行关联分析和查询的时候异常困难。
但是如果文件系统包含了数十亿的文件和数亿的目录，想要快速发现数据，还需要对于数据特征的标准特征（例如名字、路径、大小、访问时间等）或者应用定义的特征标签关联组合，有效管理数据。
极道的数据管理系统Metaview通过高级的图引擎来解决这个问题。Metaview把数据和数据特征都作为点，所有的特征和数据的关联，以及数据和数据的关联作为边构成了一个庞大的复杂图。这个图里面有数十亿个点，也有数十亿条边，通过把这个图切分成多个小局部图，分布式的存储在多个计算资源上，在局部图和局部图的关联之处做特殊处理，利用高级算法进行并行分析，可以实现大规模、强关联数据特征的实时分析。
存储系统原生的数据感知系统MetaHunter既不需要进行存储系统扫描，也不需要网关，系统能够自动将所有的数据特征和变化动作捕捉到Metaview的后端图引擎中进行索引。但这需要数据管理系统和存储系统紧密配合，因为数据管理的特征感知系统Metahunter的一部分逻辑是在存储系统中实现的。
数据管理系统Metaview, 1秒内能够从10亿个文件、1亿个目录的文件系统中，根据任意标签、名字等复杂组合条件快速发现任意指定数据，全量数据统计20秒完成，复杂全量数据分析5分钟内完成。
极道数据管理系统MetaView结合计算数据流系统Achelous、分布式存储系统ANNA/ALAMO组成的“三驾马车”彼此相互配合协同，能够有效将企业级用户应用产生的海量数据转化为数据资产。
3. 大数据应用是开发软件应用吗
你说的大数据应用，应该是指大数据技术与应用吧，这个其实是比较宽泛的说法，内开发软件应用只是其中的一小部容分，或者说环节之一。大数据所涉及到的东西还多。
行业当中大数据相关的岗位也很多，大数据开发工程师、数据分析师、数据挖掘工程师、数据产品经理、数据架构师、可视化研发工程师等等，这些都属于大数据应用当中需要的岗位人才。具体到各个岗位，需要掌握的技术和需要具备的能力，还有一定的不同，想了解各个岗位，可以更具体的去了解。
4. 常见大数据应用有哪些
Gartner的分析师Doug Laney在讲解大数据案例时提到过8个更有新意更典型的案例，可帮助更清晰的理解大数据时代的到来。
1. 梅西百货的实时定价机制。根据需求和库存的情况，该公司基于SAS的系统对多达7300万种货品进行实时调价。
2. Tipp24 AG针对欧洲博彩业构建的下注和预测平台。该公司用KXEN软件来分析数十亿计的交易以及客户的特性，然后通过预测模型对特定用户进行动态的营销活动。这项举措减少了90%的预测模型构建时间。SAP公司正在试图收购KXEN。
3. 沃尔玛的搜索。这家零售业寡头为其网站自行设计了最新的搜索引擎Polaris，利用语义数据进行文本分析、机器学习和同义词挖掘等。根据沃尔玛的说法，语义搜索技术的运用使得在线购物的完成率提升了10%到15%。“对沃尔玛来说，这就意味着数十亿美元的金额。”Laney说。
4. 快餐业的视频分析。该公司通过视频分析等候队列的长度，然后自动变化电子菜单显示的内容。如果队列较长，则显示可以快速供给的食物;如果队列较短，则显示那些利润较高但准备时间相对长的食品。
5. Morton牛排店的品牌认知。当一位顾客开玩笑地通过推特向这家位于芝加哥的牛排连锁店订餐送到纽约Newark机场（他将在一天工作之后抵达该处）时，Morton就开始了自己的社交秀。首先，分析推特数据，发现该顾客是本店的常客，也是推特的常用者。根据客户以往的订单，推测出其所乘的航班，然后派出一位身着燕尾服的侍者为客户提供晚餐。
6. PredPol Inc.。PredPol公司通过与洛杉矶和圣克鲁斯的警方以及一群研究人员合作，基于地震预测算法的变体和犯罪数据来预测犯罪发生的几率，可以精确到500平方英尺的范围内。在洛杉矶运用该算法的地区，盗窃罪和暴力犯罪分布下降了33%和21%。
7. Tesco PLC（特易购）和运营效率。这家超市连锁在其数据仓库中收集了700万部冰箱的数据。通过对这些数据的分析，进行更全面的监控并进行主动的维修以降低整体能耗。
8. American Express（美国运通，AmEx）和商业智能。以往，AmEx只能实现事后诸葛式的报告和滞后的预测。“传统的BI已经无法满足业务发展的需要。”Laney认为。于是，AmEx开始构建真正能够预测忠诚度的模型，基于历史交易数据，用115个变量来进行分析预测。该公司表示，对于澳大利亚将于之后四个月中流失的客户，已经能够识别出其中的24%。
5. 大数据应用主要是应用在哪些方面
很多方面，最复典型是分析垃圾制邮件内容，过滤垃圾信息。另外还有搜索引擎，图像识别，语音识别等。一般平民很难接触到大数据，需要很庞大的数据量得出的结果才有意义，所以大数据是有门槛的。但是大数据仍然在不知不觉间帮助我们。
6. 大数据技术基础由谷歌什么时间首先提出
现在公认的大数据基础是谷歌的三驾马车
DFS分布式文件系统
maprece，分布式计算框架
bigtable，分布式数据库
分别是2003年，2005年，2006年公开发表的
7. 大数据应用较多的技术都有哪些
简单说有三大核心技术：拿数据，算数据，卖数据。通用化的大数版据处理框架，主要分为权下面几个方面：数据采集与预处理、数据存储、数据清洗、数据查询分析和数据可视化。涉及到的技术很多
Logstash
Sqoop
Strom
Zookeeper
Hadoop
等等
8. 大数据的软件是什么软件
大数据来处理分析的自六大最好工具_网络经验（仅供参考）：
http://jingyan..com/article/03b2f78c0471e55ea237aecc.html
9. Google是如何使用云计算和大数据的
随着云计算和大数据的普及，越来越多的IT公司选择将自己的大数据解决方案部署在云上面。
云计算和大数据的结合带来了什么便利呢？一个典型的大数据云又是如何设计和部署的呢？
下面我们以Google Cloud作为例子，讲解在工业界里边是如何实际应用云。
Google Cloud
Google作为分布式系统和大数据的领导者，开发了众多跨时代的产品。几乎每一个Google的产品，写出一篇paper就可以创造一个开源社区的。
比如MapRece发布之后，开源社区根据Google的一篇论文开发出的Hadoop，BigTable发布之后，开源社区又进一步开发出Hbase等等。可以说没有Google的创新，就没有现在开源社区的繁荣。
而Google又把自家的产品，都放在Google Cloud上面，形成了丰富多彩的产品线，吸引了非常多的大大小小的公司如Snapchat等来使用。
Google App Engine (GAE)
我们都知道Web项目都需要大量的Web Service以及为之服务的运维系统。Google在云计算领域首次尝试的就是Google App Engine (GAE)，相对比当时的Amazon EC2，GAE只需开发者上传软件代码，其他部署将由Google完成。
用户只需要熟悉后端语言开发即部署大规模的集群。Google今年更是推出了GAE Flex，可以帮助用户实现auto-scaling，用户不再需要自己部署负载均衡的服务了。大部分中小企业的网站几乎都可以无缝衔接到GAE上。
BigTable
BigTable的底层是注明的Google File System (GFS)，他实现了数据中心级别的可靠的分布式存储。
也是最早的NoSQL数据库的一种。各种网站如果有需要永久存储的数据，一般都可以存放在BigTable里边，Google Cloud会自动帮你做replication，分布在不同的服务器节点里边，这样实现了可靠的分布式存储。
Dataflow
Dataflow的底层实现利用了大名鼎鼎的MapRece的升级版Flume。
Dataflow特别方便进行大量的批处理，举个例子来说，比如要把所有的用户数据里边的格式都升级一遍，用GAE或者其他service是很难实现的。
10. 谷歌分析大数据怎么它就这么快
谷歌在大复数据处理是领先业界制几年的，不少理论都是内部已经在用了，才公布出来的，然后其他公司按这个原理造另一个轮子
更多关于Google Analytics和Google Tag Manager的教程可以搜索“GA小站”