第一、是商业理解，在我看来，这个商业理解就是要把业务问题转换成数据挖掘问题，目前数据挖掘的理论概念中，一般都包括分类，聚类，回归，关联规则这几类，这需要对这几类方法有一定的理解，才能有效地转换。
第二、数据理解，数据描述了我们的业务，在这一步，我们必须找准对应关系，所面临的业务问题，有哪些数据可以用，我们做的是定量分析，没有数据显然是得不到模型的，知道哪里数据和业务关系紧密，也能让我们的分析事半功倍。
第三、数据准备，实际上数据挖掘的大部分工作都在这一步，往往到了这一步就发现理想很美好，但现实很骨感，数据质量令人堪忧，缺失值，异常值接踵而来，这是数据的错误，还有为了适应算法，需要将数据去量纲化，类型转换，去相关性，降维等等操作，这一步将消耗分析人员大量精力。
第四、建模，这一步需要对算法理解透彻，要了解数据特征和算法特点，才能选择最优算法，以及最优参数，很多算法的使用是有假设条件的，必须仔细掌握，得到的模型才会合理，另外，还要考虑业务需要，如果模型必须能解释，那就要选择生成式模型算法。
第五、评价，就是模型评估了，各种评估指标的侧重点是不一样的，要以最能反应业务的指标为准，另外，评估数据的选择也很关键，要尽可能的模拟实际生产环境，才能评估模型的性能。
温馨提示：
