大數據是指用現有的計算機軟硬件設施難以采集、存儲、管理、分析和使用的超大規模的數據集。大數據具有規模大、種類雜、快速化、價值密度低等特點（4V特性）。大數據的“大”是一個相對概念，沒有具體標準，如果一定要給一個標準，那么10-100TB通常稱為大數據的門檻。

數據分析是一個大的概念，理論上任何對數據進行計算、處理從而得出一些有意義的結論的過程，都叫數據分析。從數據本身的復雜程度、以及對數據進行處理的復雜度和深度來看，可以把數據分析分為以下4個層次：數據統計，OLAP，數據挖掘，大數據。

大數據分析和數據分析是有區別和聯系的。這里重點關注兩者的是技術要求、使用場景、業務范圍等方面的區別和聯系。重點要區分理論研究和實際應用兩方面區別和聯系。

第一：在分析方法上兩者并沒有本質不同

數據分析的核心工作是人對數據指標的分析、思考和解讀，人腦所能承載的數據量是極其有限的。所以，無論是“傳統數據分析”，還是“大數據分析”，均需要將原始數據按照分析思路進行統計處理，得到概要性的統計結果供人分析。兩者在這個過程中是類似的，區別只是原始數據量大小所導致處理方式的不同。

第二：在對統計學知識的使用重心上兩者存在較大的不同

傳統數據分析”使用的知識主要圍繞“能否通過少量的抽樣數據來推測真實世界”的主題展開。“大數據分析”主要是利用各種類型的全量數據（不是抽樣數據），設計統計方案，得到兼具細致和置信的統計結論。

第三：與機器學習模型的關系上，兩者有著本質差別

“傳統數據分析”在大部分時候，知識將機器學習模型當黑盒工具來輔助分析數據。而“大數據分析”，更多時候是兩者的緊密結合，大數據分析產出的不僅是一份分析效果測評，后續基于此來升級產品。在大數據分析的場景中，數據分析往往是數據加墨的前奏，數據建模是數據分析的成果。