Das Ziel der Data Science ist die Extraktion von nützlichen Informationen aus einem Datensatz. Unternehmen haben den Wert von Daten als Wirtschaftsgut schon seit langem erkannt. Aber die riesigen Datenmengen, die jetzt zur Verfügung stehen, erfordern neue Wege, um Daten sinnvoll zu nutzen und effizient zu verwalten. Eine wachsende Zahl von Ingenieuren und Wissenschaftlern baut Systeme auf, um die Data Science auf riesige Datenmengen anzuwenden.
Die Data Science beginnt mit der Sammlung von Daten. Kandidaten für die Sammlung können offene Daten oder Daten sein, die aus internen Geschäftsprozessen stammen (z.B. Website-Statistiken). Als nächstes folgt die Verfeinerung: der erfinderische Prozess, der die Daten auf nützliche Informationen reduziert, die bestimmte Fragen beantworten. Typischerweise definieren die Fragen den Ansatz für die Extraktion der Informationen. Innerhalb der Erhebungs- und Verfeinerungsschritte gibt es weitere wichtige Aspekte wie Datenbereinigung (oder Vorverarbeitung) und Datenvisualisierung. 
Das Internet schafft Möglichkeiten, Massen von Daten über das Verhalten und die Gewohnheiten der Benutzer zu sammeln. Apache Hadoop ist das führende Framework für die Verarbeitung massiver Datensätze. Hadoop ist wichtig für die Data Science, da es einen skalierbaren Rahmen für die verteilte Datenverarbeitung bietet. Nicht alle datenwissenschaftlichen Probleme erfordern eine große Datenverarbeitung, aber Hadoop ist ideal, wenn Ihr Problem Daten im Internetmaßstab betrifft. Die Implementierung des PageRank-Algorithmus im Google MapReduce-Framework ist ein frühes Beispiel für Data Science auf einem großen Datenrahmen. (Hadoop ist eine Implementierung von MapReduce.) Apache Pig kann Hadoop noch besser zugänglich machen, indem es eine Abfragesprache mitbringt, die automatisch MapReduce-Anwendungen erstellt.
Ein Werkzeug, das häufig im Data-Miner-Toolkit zu finden ist, ist eine Programmiersprache und Entwicklungsumgebung namens R. R konzentriert sich auf statistische Berechnungen und Grafiken. R ist relativ einfach zu erlernen und wird häufig im Bereich der Datenanalyse eingesetzt. Da es quelloffen und kostenlos ist, ist R eine beliebte Sprache mit einer großen Benutzerbasis.

R ist eine Multiparadigmasprache, die objektorientierte, funktionale, prozedurale und imperative Programmierstile unterstützt. Die Sprache wird über eine Befehlszeilenschnittstelle interpretiert und umfasst auch umfangreiche grafische Fähigkeiten auf Produktionsebene. Statische Grafiken sind sofort verfügbar. Mit zusätzlichen Paketen sind sowohl dynamische als auch interaktive Grafiken möglich.