統計學的歷史源自17世紀，一直到20世紀，統計的研究是希望從樣本推論到總體，所以都是以小樣本數為主，其原因是有樣本的不只取得困難且成本高昂，且數據太多因素互相干擾不容易準確，所以早期的統計研究多屬兩階段型。

第一階段：數據分析（Data Analysis）
研究如何從母體或樣本中收集資料，描述資料中的數據和分散程度。第一階段的統計又被稱作探索性資料分析（Exploratory Data Analysis, EDA），資料分析師們會直接探討現有數據的樣貌。

第二階段：推論統計（Inferential Statistics）
由第一階段資料分析推展要做假設，使用檢驗工具做有效的樣本推論到整個母體，來制定政策，在質量管理、六?西格瑪中會經常被用到。第二階段的統計又被稱作驗證性統計，因其目的是利用樣本推斷母體并排除不只是巧合或隨機偏差，再作分析。

以前的實驗因樣本取得不易，必須用少數有效樣本推論、決策。也因此做各類數據模型測量，是最后訂目標的統計。

大數據分析

到了21世紀我們進入了電腦時代，因為我們可以儲存大量資料，不像以前的數據量比較少，工程界已經有能力可以處理大量數據的分析，故使用電腦做出各類可視化（Visualization）、探索性分析。但是因為樣本數很大，采樣誤差（隨機誤差）影響小，所以不需要做假設檢定（推論統計），大數據分析不僅能使用各類資料分析方法（臨機應變）及引導式分析，也能利用人力去發展新的分析工具。到了2010年大數據出現后，資料量龐大到無法再使用人工方式處理，于是有商業行為需要多重分析，所以這時候是使用大數據分析（Big Data）的時代。

但其實目前大數據分析流程已工程界，早已使用大數據做統計分析
現在很多人稱作數據科學（Data Science），現狀是使用者可能不再完全懂統計理論，只要會操作電腦系統進行可視化分析，期望電腦程序可以用計算方式，提供解釋與結論。這就是現今的大數據分析。但仍有分析工作，也會使用統計學的方法，只不過電腦可以做得更快且可視化來輔助分析。

統計學與大數據分析的異同

由以上的內容可知，統計與資料、通訊工程與IT領域具有密切相關性；可參考下圖。

然而實際操作卻是兩者間有著很大的訓練差，各走各路。其中許多內容、數據結構已經高度牽涉內容，但因為兩邊的工場，工程師也不知道進統計內容，而自行用程序方式就解決的。兩門工程都開發的統計工具，因缺乏嚴謹的統計模型，在某程度上的計算過程中，會有高度風險性：

以工程界為例，如果有問題可以快速檢測出來；但如果是社會、醫療、人文類的問題，容易受多重因素影響，不容易即時檢驗統計結果是否正確。所以工程師開發的統計程序，在某些情形下沒有數學嚴謹的統計理論支持，容易失去準確性。同理在商業上的大數據分析使用也要更小心。

結論

我們可以發現統計的演變，從少量數據來推論母體模型，進而做出推論。然而在21世紀可獲得大量數據，并利用電腦能部分取代數學模型，利用視覺化來分析，科技的改變讓統計的發展不斷推進，當然視覺化的分析，里面仍然是數學模型在內，且也需要數學理論支持，只不過方便研究中，但已經可由視覺化來輔助分析。

大數據時代的出現讓工程界更重視分析長數據，利用數據圖像化、視覺化、即時互動分析，來進行商業決策。而計算機工具中，常用的是大數據整合的決策統計，而非只用傳統的母體統計模型為主。以上的方法在應用在各個學程上，從自然科學、數理統計、六西格瑪、質量管理、醫學、社會科學，甚至數碼科學。