最基本的兩個功能是：一數據收集；二數據分析歸納。
擴展：
一、它必須容納海量數據
如果大數據分析平臺無法擴展以存儲或管理海量數據，那么僅僅提高速度所帶來的作用相當有限。大數據分析平臺必須能夠容納海量數據。
大規模并行處理是用于擴展分析處理的理想技術，因為它同時利用計算機群集的存儲和計算能力。它不僅在性能上有所擴展，而且其處理傳入的大量數據流的能力也相應提高。
此外，被設計為用于處理結構化數據的大數據平臺使用MPP，可進一步加速處理操作，這是因為已針對分析程序優化了結構化數據，并減少了回答查詢所需執行的搜索量。結構化數據庫能夠更好地了解數據在數據海洋中的位置，并且可以精確地存取數據。
一般來說，非結構化數據庫難以擴展到采用列式設計的結構化數據庫所能達到的級別。但是，大數據分析平臺可能整合有能夠提高非結構化數據庫的可擴展性和性能的功能。
二、它必須非常快
簡單來說，數字時代下，用戶不希望在運行查詢時長時間地等待結果。他們期望即時得到滿足，獲得即時結果，而對其他工作負載沒有影響。這意味著大數據分析平臺必須增強現有應用程序的性能，允許您開發具有挑戰性的新分析方法，并提供合理、可預測和經濟的橫向擴展策略。
從技術角度來看，要滿足這些期望，必須結合列式數據庫架構(相對于基于行的非并行處理傳統數據庫)和使用大規模并行處理技術或者說MPP。
理由在于：列式設計可最大限度地減少I/O爭用，后者是導致分析處理發生延遲的主要原因。列式設計還可提供極高的壓縮率，相比于行式數據庫，通常可將壓縮率提高四倍或五倍。MPP數據倉庫通常按比例線性擴展，這意味著如果您將雙節點MPP倉庫的空間翻倍，那么可有效將其性能提高一倍。
列式設計和MPP的結合不僅能夠大幅提高性能(通常約100到1000倍)，還可以實現更低且更透明的定價機制，例如針對每TB的模型而非傳統的針對每處理器、每節點、每用戶的定價方案。最終結果：性能呈指數級增長，同時大數據分析處理過程的總成本大幅降低。
三、它必須兼容傳統工具
如果您的大數據分析平臺依賴于“提取、轉換、加載”(ETL)工具(如Attunity、Informatica、Syncsort、Talend或Pentaho)或基于SQL的可視化工具(如Logi
Analytics、Looker、MicroStrategy、Qlik、Tableau和Talena），請確保該平臺已經過認證，可與所有這些工具而不僅僅是主要供應商的工具搭配使用。此外，確保您使用的所有工具和擴展技術符合最新版本的ANSI
SQL標準(SQL2011)。
四、它必須為數據科學家提供支持
數據科學家在企業IT中擁有著更高的影響力和重要性，因此大數據分析平臺應在下述兩個關鍵方面支持數據科學家。首先，新一代數據科學家采用Java、Python和R等工具來執行預測式分析。底層分析數據庫應支持和加速創新型預測分析的創建過程。
其次，此平臺應有助于將數據科學家的工作與業務目標聯系起來。如今，數據科學家的角色常常從統計學家演變而來，后者相對而言更具學術意味，而且通常并不熟悉宏觀業務目標。在某些情況下，會導致數據科學家得出的結論可能不完整、不準確或與業務成果無關。同時，商業人士常常樂于讓統計學家在封閉的環境中工作，只在需要他們支招時才去找他們。
快速、高效、易于使用和廣泛部署的大數據分析平臺可以幫助拉近商業人士和技術專家之間的距離。
五、它應提供高級分析功能
根據您的特定使用情況，可能有必要深入查看由大數據分析引擎提供的內置SQL分析功能。您必須從底層查看，以了解究竟提供了何種SQL分析，而不用對該數據執行分析。例如，如果要對從設備獲得的數據執行分析(如在物聯網中)，則需要諸如“時間序列分析”和“差距分析”等分析功能。如果沒有這些功能，您可能需要花費時間整理數據或編寫自定義代碼。
