项目中的文档提到CRISP-DM，查到这篇blog，觉得对于理解常规跨业务领域的数据挖掘的流程会有一定的帮助。
原文链接：http://www.dataminingtechniques.net/data-mining-tutorial/data-mining-processes/
数据挖掘流程介绍
数据挖掘是一项前途光明的新兴技术，它可以被定义为一组流程，即通过用各种不同的技术手段——如机器学习、人工智能、统计学等，分析存储于数据库或数据仓库中的海量数据，从而发掘出隐藏其中有价值的知识。包括制造业、市场营销、化工产业、乃至航空领域在内，已有诸多企业着手实施数据挖掘，从而增加自身在各自领域的竞争力。对数据挖掘标准的需要空前高涨。无论是对于专业人士，还是对没有数据挖掘北京的业务人员，数据挖掘流程必须是可靠和可重复利用的。1990年，经历了无数次研讨，在超过300个组织的共同努力下，一个针对数据挖掘的跨行业标准首次公诸于世。下面就来看看该标准吧。
数据挖掘跨行业标准（CRISP-DM）
数据挖掘跨行业标准（Cross-Industry Standard Process for Data Mining，简称CRISP-DM）在一个周期中包括六个阶段，如下图所示：
1. 理解业务（Business Understanding）——首先，必须清晰地理解业务目标，并且确保已经找到了客户真正想达到的目的。接下来我们还要通过寻找资源、假设、限制以及应该纳入参考的其他重要元素，来评估当前的情况。然后再创造可以利用当前条件来达到业务目标的数据挖掘目标。最后，要建立一个数据挖掘计划，以明确达到业务目标和数据挖掘目标的方法。该计划需要尽可能详细，甚至要详尽到能在项目中一步一步执行的程度，包括初期数据挖掘技术与工具的选择。
2. 理解数据（Data Understanding）——理解数据的第一步是采集数据——从可用的数据源中搜集数据、熟悉数据。包括数据装载、数据整合在内的诸多活动都在此进行，以保障数据采集的成功。接着，要审慎地检查数据的“总量”和一些“表象”属性（即数据剖析，译者注）。然后要探索数据内容，可以通过查询、报表和可视化手段来着手处理。最后，要回答诸如“这些数据够了吗？”“数据中有没有缺失的值”这样的问题，以检验数据质量。
3. 准备数据（Data Preparation）——这一步往往要消耗90%的时间。此步骤结果是一个最终的数据集合。一旦确定了数据源的可用性，就要对其进行选择、清洗、构建需要的格式。更深层次的数据探索在这一步中就要开展，以注意到那些基于业务理解的模式（pattern）。
4. 建模（Modeling）——首先要为准备好的数据集选择恰当的建模技术。接着要生成测试场景，来检验模型的质量和有效性。然后在建模工具中对数据集构建一个或者多个模型。最后——但不是最不重要的——要谨慎评估模型，将利益相关者（stakeholder）都邀请来进行评估，确定模型符合最初的业务要求。
5. 评估（Evaluation）——模型结果要拿到第一阶段所确定的业务目标上下文中进行评估。在这一阶段，可能会有新的业务需求提出，这取决于模型所发掘出的模式或者其他什么因素。理解业务是数据挖掘迭代过程的第一步。是进入部署阶段，还是重新理解业务进入新一轮迭代，都要在这一步中决定。
6. 部署（Deployment）——通过数据挖掘流程所获取的信息或知识，最终都要呈献给利益相关者们，使他们能够在想用的时候用到。基于业务需求的不同，部署可以是简单的发布一个报表，抑或复杂到为企业构架一个可重用的数据挖掘流程。在这个阶段，部署、维护和监控计划要得以创建。从项目的角度来看，要总结项目经验，重新审视整个项目中的优劣。
CRISP-DM为文档化和指导方针提供了一个统一的框架。CRISP-DM也可以有针对性地适用于不同的业务领域。
——————————-
译者附：
