第一阶段：数据分析（Data Analysis）研究如何从母体或样本中收集资料，描述资料中的数据和分散程度。第一阶段的统计又被称作探索性资料分析（Exploratory Data Analysis, EDA），资料分析师们会直接探讨现有数据的样貌。
第二阶段：推论统计（Inferential Statistics）由第一阶段资料分析推展要做假设，使用检验工具做有效的样本推论到整个母体，来制定政策，在质量管理、六㕋西格玛中会经常被用到。第二阶段的统计又被称作验证性统计，因其目的是利用样本推断母体并排除不只是巧合或随机偏差，再作分析。
以前的实验因样本取得不易，必须用少数有效样本推论、决策。也因此做各类数据模型测量，是最后订目标的统计。
大数据分析到了21世纪我们进入了电脑时代，因为我们可以储存大量资料，不像以前的数据量比较少，工程界已经有能力可以处理大量数据的分析，故使用电脑做出各类可视化（Visualization）、探索性分析。但是因为样本数很大，采样误差（随机误差）影响小，所以不需要做假设检定（推论统计），大数据分析不仅能使用各类资料分析方法（临机应变）及引导式分析，也能利用人力去发展新的分析工具。到了2010年大数据出现后，资料量庞大到无法再使用人工方式处理，于是有商业行为需要多重分析，所以这时候是使用大数据分析（Big Data）的时代。
但其实目前大数据分析流程已工程界，早已使用大数据做统计分析现在很多人称作数据科学（Data Science），现状是使用者可能不再完全懂统计理论，只要会操作电脑系统进行可视化分析，期望电脑程序可以用计算方式，提供解释与结论。这就是现今的大数据分析。但仍有分析工作，也会使用统计学的方法，只不过电脑可以做得更快且可视化来辅助分析。
统计学与大数据分析的异同由以上的内容可知，统计与资料、通讯工程与IT领域具有密切相关性；可参考下图。
然而实际操作却是两者间有着很大的训练差，各走各路。其中许多内容、数据结构已经高度牵涉内容，但因为两边的工场，工程师也不知道进统计内容，而自行用程序方式就解决的。两门工程都开发的统计工具，因缺乏严谨的统计模型，在某程度上的计算过程中，会有高度风险性：
以工程界为例，如果有问题可以快速检测出来；但如果是社会、医疗、人文类的问题，容易受多重因素影响，不容易即时检验统计结果是否正确。所以工程师开发的统计程序，在某些情形下没有数学严谨的统计理论支持，容易失去准确性。同理在商业上的大数据分析使用也要更小心。
结论我们可以发现统计的演变，从少量数据来推论母体模型，进而做出推论。然而在21世纪可获得大量数据，并利用电脑能部分取代数学模型，利用视觉化来分析，科技的改变让统计的发展不断推进，当然视觉化的分析，里面仍然是数学模型在内，且也需要数学理论支持，只不过方便研究中，但已经可由视觉化来辅助分析。
大数据时代的出现让工程界更重视分析长数据，利用数据图像化、视觉化、即时互动分析，来进行商业决策。而计算机工具中，常用的是大数据整合的决策统计，而非只用传统的母体统计模型为主。以上的方法在应用在各个学程上，从自然科学、数理统计、六西格玛、质量管理、医学、社会科学，甚至数码科学。
