大数据作为当下的流行词，活跃在我们生活的方方面面。大数据的官方定义是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。但是根据目前相关学者的研究表明，大数据的研究还处于起步阶段，仍然需要投入大量的时间和精力进行研究。

而我们学习的数学建模则需要针对某一实际问题，通过搜集整理相关文件数据来提出相应的优化改进策略与方法。这些数据资料可以是事先提供的“小数据”，当然更期待通过对相关大数据的挖掘和处理得到与所研究问题具有较强相关度和代表意义的“数据”。大数据并不意味着全样本，数学建模希望通过对所研究问题的全样本数据得到最终的决策建议，在不能获得全样本的情况下，也能够提供适合不同情境下的优化改进策略。

大数据的捕捉、管理和处理本身就是基于了解、掌握与预测实际问题而进行的系列活动。这与数学建模的过程非常类似。通过搜集相应的数据，整理、分类出具有代表意义的数据或信息，再结合优化建模理论，为我们下一步的决策与预测提供更靠谱的建议。因此，拥有了大数据后数学建模就拥有了更广泛的应用领域与应用价值，所得到的优化改进策略可能会更具普遍意义。另一方面大数据的研究离不开数据建模方法论的支持，两者是一个相互依存的关系。