战略2：支持研发，以更好地探索和理解数据和知识的可信度，实现更佳决策，促进突破性发现并采取有信心的行动。在数据驱动型决策中提高透明度需要提供技术和工具支持，包括可以在决策过程中显示详细审计信息的工具。另外，还需要对元数据框架进行研究以保证数据的可信性，包括记录上下文和语义数据。在使用机器学习的数据驱动型决策和发现系统时，跨学科研究是必要的，这样才能研究清楚如何才能最有效地使用数据来支持和提高人类的判断力。
战略3：建立和加强对网络基础设施的研究，使大数据创新可以为机构使命提供支持。共同的基准、标准和指标对于一个运作良好的网络基础设施生态系统来说是必不可少的。参与式设计也是不可或缺的，它可以被用于优化基础设施的实用性并能将其影响降到最低。教育和培训对于个人能力的构建来说也是至关重要的：用户必须得到正确的教育和培训，这样才能充分利用提供给他们的工具。
战略4：通过促进数据共享和管理政策来提高数据的价值。大数据的规模和异质性为数据共享带来了巨大挑战，因此需要鼓励共享源数据、接口、元数据和标准，鼓励相关基础设施提高互操作性，提高现有数据的可访问性和价值，并增强结合数据集进行新的分析的能力。研究“人类—数据”的联系（接口）来说是必要的，研究可以支持灵活、高效和可用的数据接口的发展，适应不同的用户群体的特定需求。
战略5：了解大数据的收集、共享和使用方面的隐私、安全和道德问题。隐私、安全和道德问题是大数据创新生态系统中的关键因素。对于保护隐私和澄清数据所有权来说，新的政策解决方案可能也是必要的。当高度分布式的网络在大数据的应用场景变得越来越普遍时，技术和工具也需要被用于辅助评估数据的安全性和数据保护。国家必须在大数据中提倡道德观念，确保技术不会传播错误或对某些群体造成不利（无论是明示或暗示）。探索道德问题的大数据研究，将使各方利益相关者在关注大数据创新的效用、风险和成本的同时，更好地考虑价值和社会伦理。