在大数据分析领域，有很多常见的大数据分析模型和方法。常见的大数据分析模型包括以下几种：

1、关联规则挖掘模型：用于发现数据集中的项之间的关联关系，例如购物篮分析中的频繁项集挖掘。

2、聚类模型：用于将数据集中的对象按照相似性进行分组，常用的算法包括K-means聚类和层次聚类。

3、分类模型：用于根据已知的属性值将数据集中的对象分类到预定义的类别中，常用的算法包括决策树、朴素贝叶斯和支持向量机等。

4、回归模型：用于预测数值型目标变量的值，根据已知的自变量和目标变量之间的关系进行建模，常用的算法包括线性回归和逻辑回归等。

5、推荐系统模型：用于根据用户的历史行为和偏好为其提供个性化的推荐，常见的算法包括协同过滤和内容-based推荐。

6、时序模型：用于对时间序列数据进行建模和预测，例如ARIMA模型和长短期记忆(LSTM)模型。

7、文本挖掘模型：用于从大量的文本数据中提取有用的信息和模式，包括情感分析、主题模型和文本分类等。

8、图分析模型：用于分析和挖掘图结构数据中的关系和模式，例如社交网络分析和网络图挖掘等。

这些大数据分析模型在不同的应用场景下具有不同的特点和适用性。根据具体的问题和数据特征，选择适当的模型进行分析可以帮助揭示数据中的隐藏信息和洞察，并支持决策和业务优化。