TDWI最近關於管理大資料的調查顯示，89%的受訪者認為大資料是一個機會，而在2011年的大資料分析的調查中這個比例僅為70％。在這兩次調查中受訪問者均普遍認為，要抓住大資料的機會並從中獲取商業價值，需要使用先進的分析方法。此外，其他從大資料中獲取商業價值的方法包括資料探索、捕捉實時流動的大資料並把新的大資料來源與原來的企業資料相整合。
雖然很多人已有了這樣一個認識：大資料將為我們呈現一個新的商業機會。但目前僅有少量公司可以真正的從大資料中獲取到較多的商業價值。下邊介紹了9個大資料用例，我們在進行大資料分析專案時可以參考一下這些用例，從而更好地從大資料中獲取到我們想要的價值。
從資料分析中獲取商業價值。
請注意，這裡涉及到一些高階的資料分析方法，例如資料探勘、統計分析、自然語言處理和極端SQL等等。與原來的報告和OLAP技術不同，這些方法可以讓你更好地探索資料和發現分析見解。
探索大資料以發現新的商業機會。
很多大資料都是來自一些新的來源，這代表客戶或合作伙伴互動的新渠道。和任何新的資料來源一樣，大資料值得探索。通過資料探索，你可以瞭解一些之前所不知道的商業模式和事實真相，比如新的客戶群細分、客戶行為、客戶流失的形式，和最低成本的根本原因等等。
對已收集到的大資料進行分析。
許多公司都收集了大量的資料，他們感覺這些資料存在著商業價值，但並不知道怎樣從這些弄出來的值大的資料。不同行業的資料集有所不同，比如，如果你處於網路營銷行業，你可能會有大量Web站點的日誌資料集，這可以把資料按會話進行劃分，進行分析以瞭解網站訪客的行為並提升網站的訪問體驗。同樣，來自制造業的質量保證資料將有助於公司生產出更可靠的產品和選擇更好的供應商，而通過RFID資料可以幫助你更深入地供應鏈中產品的運動軌跡。
重點分析對你的行業有價值的大資料。
大資料的型別和內容因行業而異，每一類資料對於每個行業的價值是不一樣的。比如電信行業的呼叫詳細記錄（CDR），零售業、製造業或其他以產口為中心的行業的RFID資料，以及製造業（特別是汽車和消費電子）中機器人的感測器資料等等，這些都是各個行業中非常重要的資料。
理解非結構化的大資料。
非結構化的資訊主要指的是是使用文字表達的人類語言，這與大多數關係型資料有著很大的不同，你需要使用一些新的工具來進行自然語言處理、搜尋和文字分析。把基於文字內容的業務流程進行視覺化展示，比如，保險索賠過程，醫療病歷記錄，各個行業的呼叫中心和幫助臺應用程式，以及以客戶為導向的企業情感分析等內容均可以在進行處理後以視覺化的形式表現出來。
使用社交媒體資料來擴充套件現有的客戶分析。
客戶的各種行為比如評論品牌、評價產品、參與營銷活動或表示他們的喜好等等，會在客戶中相互影響。社交大資料可以來自社交媒體網站，以及自有的客戶能夠表達意見及事實的渠道。我們可以使用預測性分析發現規律和預測產品或服務的問題。我們也可以利用這些資料來評估市場知名度、品牌美譽度、使用者情緒變動和新的客戶群。
把客戶的意見整合到大資料中。
通過運用大資料（與原有的企業資源整合），我們可以對客戶或其他商業實體（產品，供應商，合作伙伴）實現360度全景分析，分析的維度屬性從幾百個擴充套件到幾千個。新增的粒狀細節帶來更準確的客戶群細分，直銷策略和客戶分析。
整合大資料以改善原有的分析應用。
對於原有的分析應用，大資料可以擴大和擴充套件其資料樣本。尤其在依賴於大樣本的分析技術的情況下，比如統計或資料探勘；而在欺詐檢測、風險管理或精確計算的情況下同樣也得用上大樣本的資料。
分析大資料流，實時操作業務，提升業務動作水平。
實時監測和分析的程式已經在企業運營中存在了很多年，那些需要全天候執行的能源、通訊網路或任何系統網路、服務或設施的機構早就在使用這型別的程式。最近，從監控行業（網路安全、態勢感知、欺詐檢測）到物流行業（公路或鐵路運輸、移動資產管理、實時庫存），越來越多的組織正在利用大資料流的應用。目前大資料分析仍主要以批量和離線的方式執行，但隨著使用者與技術的成熟，大資料分析將會進入實時分析的時代。