首先对于本身的业务必须有深刻理解，必须清楚问题到底出现在哪里，以及这些问题到底应该怎么去解决，在后续分析的过程中也能够达到监督效果。

·根据分析挖掘目标从数据库中提取数据，然后经过ETL(extract-transform-load)抽取一转换一加载，组织成适合分析挖掘算法使用的宽表。

·然后利用数据挖掘软件进行挖掘。传统的数据挖掘软件一般只能支持在单机上进行小规模数据处理，受此限制传统数据分析挖掘一般会采用抽样方式来缩小数据分析规模。

·其次需要拥有科学的方式，这也是大数据分析挖掘过程中非常重要的内容。因为数据分析的对象是数据，如果数据分析的方式不准确，数据分析结果的可信度就会降低。

·最后在大数据分析挖掘的过程中一定要懂得架构，例如正确地利用描述统计相关分析、回归分析等众多方式能够达到更好的分析效果。

大数据分析挖掘具有开放性，导致数据挖掘涉及大量衍生变量计算，衍生变量多变导致数据预处理计算的复杂性。很多大数据分析挖掘算法本身比较复杂，计算量很大特别是大量，机器学习算法都是迭代计算，需要通过多次迭代来求最优解。如k均值、聚类算法、PageRank算法等。