大數據分析的第壹步是明確需要回答的問題。定義問題有兩個標準，壹個是清晰，壹個是真實。
(2)數據可行性論證
論證現有數據是否足夠豐富和準確，為問題提供答案，是大數據分析的第二步，項目是否可行取決於這壹步的結論。
(3)數據準備
在數據準備階段，需要對分析所需的各項數據進行整理，為下壹步建立模型做好充分的準備。這個準備可以分為兩個步驟:數據收集準備和清理準備。
(4)建立模型
大數據分析項目需要建立的模型可以分為兩類。對於這兩種類型的模型，團隊需要在建立模型和證明模型的可靠性方面做出努力。
㈤評價結果
評估結果階段是評估上述步驟得出的結果是否足夠嚴謹可靠，確保數據分析結果能夠有利於決策。評價結果包括定量評價和定性評價。
大數據的應用
大數據可以應用到各行各業，對人們收集的海量數據進行分析整理，實現信息的有效利用。以這個專業為例。比如在奶牛的基因層面尋找與產奶量相關的主基因，可以先掃描奶牛的全基因組。雖然我們已經獲得了所有的表型信息和遺傳信息，但是由於數據量巨大，需要采用大數據技術對主要基因進行分析比較和挖掘。
大數據的意義和前景
總的來說，大數據是壹個龐大的、動態的、可持續的數據，通過使用新系統、新工具、新模型進行挖掘，從而獲得洞察力和新價值。以前，面對龐大的數據，我們可能是盲目可見的，所以無法了解事物的真實本質，所以在科學工作中會得出錯誤的推論。隨著大數據時代的到來，壹切真相都將呈現在我們面前。
大數據發展戰略
傳統的數據方法，無論是傳統的OLAP技術還是數據挖掘技術，都難以應對大數據的挑戰。首先是執行效率低。傳統的數據挖掘技術都是基於集中式的底層軟件架構開發，難以並行化，因此處理TB級別以上數據的效率較低。其次，數據量的增加很難提高數據分析的準確性，尤其是處理非結構化數據。
所有人類數字數據中只有極小壹部分(約占總數據的1%)得到了深度分析和挖掘(如回歸、分類和聚類)。大型互聯網公司對web索引、社交數據等半結構化數據進行了淺層分析(如排序)，對占總量近60%的語音、圖片、視頻等非結構化數據難以有效分析。
五香鵝