(一)问题识别
大数据分析的第一步是明确需要回答的问题。定义问题有两个标准，一个是清晰，一个是真实。
数据可行性论证
这是大数据分析的第二步，证明现有数据是否足够丰富和准确，以提供问题的答案。项目是否可行取决于这一步的结论。
(3)数据准备
在数据准备步骤中，需要对分析所需的各项数据进行整理，为下一步建立模型做好充分的准备。这个准备可以分为两个步骤：数据采集准备和清洗准备。
(4)建立模型。
大数据分析项目需要建立的模型可以分为两类。对于这两类模型，团队需要在建立模型和论证模型的可靠性上下功夫。
(5)评估结果
评估结果阶段是评估上述步骤得出的结果是否足够严谨可靠，确保数据分析结果能够有利于决策。评价结果包括定量评价和定性评价。
大数据的应用
大数据可以应用到各行各业，对人们收集的海量数据进行分析整理，实现信息的有效利用。以本专业为例，比如在奶牛的基因层面寻找与产奶量相关的主基因，可以先扫描奶牛的全基因组。虽然我们已经获得了所有的表型信息和基因信息，但是由于数据量巨大，需要采用大数据技术对主要基因进行分析比较和挖掘。
大数据的意义和前景
总的来说，大数据是利用新系统、新工具、新模型，对大量的、动态的、可持续的数据进行挖掘，从而获得具有洞察力和新价值的东西。以前，面对庞大的数据，我们可能是盲目的，所以无法了解事物的真实本质，从而在科学工作中得出错误的推论。随着大数据时代的到来，一切真相都将向我们揭示。
大数据发展战略
传统的数据方法，无论是传统的OLAP技术还是数据挖掘技术，都难以应对大数据的挑战。首先，执行效率低。传统的数据挖掘技术都是基于集中式底层软件架构开发的，难以并行化，因此处理TB级别以上数据的效率较低。其次，数据分析的准确率很难随着数据量的增加而提高，尤其是非结构化数据。
在人类所有的数字数据中，只有极小一部分(约占总数据的1%)的数值数据得到了深入的分析和挖掘(如回归、分类、聚类)。大型互联网公司已经对web索引、社交数据等半结构化数据进行了浅层分析(如排序)，而语音、图片、视频等近60%的非结构化数据仍难以得到有效分析。
五香鹅
