典型的數值算法如下：
1、采集
在大數據的采集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬。
所以需要在采集端部署大量數據庫才能支撐。並且如何在這些數據庫之間進行負載均衡和分片的確是需要深入的思考和設計。
2、統計/分析
統計與分析主要利用分布式數據庫，或者分布式計算集群來對存儲於其內的大量數據進行普通的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，壹些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於MySQL的列式存儲Infobright等。
而壹些批處理，或者基於半結構化數據的需求可以使用Hadoop。統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的占用。
4、導入/預處理
雖然采集端本身會有很多數據庫，但是如果要對這些大量數據進行有效的分析，還是應該將這些來自前端的數據導入到壹個集中的大型分布式數據庫，或者分布式存儲集群，並且可以在導入基礎上做壹些簡單的清洗和預處理工作。
也有壹些用戶會在導入時使用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鐘的導入量經常會達到百兆，甚至千兆級別。
5、挖掘
與前面統計和分析過程不同的是，數據挖掘壹般沒有什麽預先設定好的主題，主要是在現有數據上面進行基於各種算法的計算，從而起到預測的效果，從而實現壹些高級別數據分析的需求。比較典型算法有用於聚類的K-Means。
用於統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的算法很復雜，並且計算涉及的數據量和計算量都很大，還有，常用數據挖掘算法都以單線程為主。