在方法论方面，大数据分析与传统的实验设计统计方法有很大不同.分析从数据开始.通常我们以解释响应的方式对数据建模.此方法的目标是预测响应行为或了解输入变量与响应的关系.通常在统计实验设计中，开发实验并且因此检索数据.这允许以统计模型可以使用的方式生成数据，其中某些假设保持独立，正态和随机化.
在大数据分析中，我们被提供给数据.我们无法设计出满足我们最喜欢的统计模型的实验.在大规模的分析应用中，只需要清理数据就可以完成大量的工作(通常是80％的工作量)，因此它可以被机器学习模型使用.
我们没有一种独特的方法可以在真正的大规模应用中使用.通常，一旦确定了业务问题，就需要一个研究阶段来设计要使用的方法.然而，一般指导原则是相关的，并且几乎适用于所有问题.
大数据分析中最重要的任务之一是统计建模，意思是监督和无监督分类或回归问题.一旦数据被清理和预处理，可用于建模，就应该注意评估具有合理损失度量的不同模型，然后在实施模型后，应报告进一步的评估和结果.预测建模的一个常见缺陷是仅实施模型而从不测量其性能.