一、问题识别

大数据分析的第一步就是要清楚的了解需要回答的问题，也就是对问题进行界定，主要是有两个标准，分别是清晰和符合现实；

二、数据可行性论证

主要就是对现有数据的丰富性，准确性，是否可以为问题提供答案进行确定，项目的可行性也是取决于这一步骤的结论；数据可行性的论证过程需要仔细地进行推敲，由于大数据分析技术的本质属于是数据挖掘法，过度拟合问题通常是大数据分析的难点。

三、数据准备

数据准备环节就是对要用的数据进行梳理，好为下一步的建立模型做好准备，这一步可以具体的分为两步；

1、数据采集准备

进行数据采集，避免不了的问题有：项目的预算是多少，人员配备是否足够，想要用哪种方法对数据进行收集等等；如果一些重要的问题其答案是模糊的，那可能就要重新回到数据可行性论证的环节了，这点对小微企业是非常重要的。

2、数据清洗整理

数据清洗包含很多的常规处理，想要做出高质量的数据清理工作需要对项目目标了然于胸。

四、建立模型

大数据分析模型的建立主要分为两类，在进行模型设立时，一定要注意这两点；

1、专业领域模型

就是大数据产品对应的项目可能有对应的专业领域模型，比如逻辑树分析模型、pest模型等等，需要对选择的模型有明确的了解。

2、数据分析模型

包含分析结构化数据的挖掘算法模型，处理非结构化数据的语义引擎；在建立模型时，不仅需要强大的运算能力，也需要有从业者主观的判断。

五、评估结果

就是对以上的环节进行评估，确保数据分析的结果对决策是有利的；评估结果包括定量评估和定性评估。

1、定量评估

是关注主观标准的可靠性；

2、定性评估

重点是考察大数据分析结果的合理性，方案的可行性。