1、数据取样。明确哪些数据源可用，哪些数据与当前挖掘目标相关？如何保证取样数据的质量？是否在足够范围内有代表性？数据样本取多少合适？如何分类(训练集、验证集、测试集)等等。
2、数据探索。数据探索包括：异常值分析、缺失值分析、相关分析、周期性分析、样本交叉验证等。
3、数据预处理和清洗。数据预处理主要包含如下内容：数据筛选，数据变量转换，缺失值处理，坏数据处理，数据标准化，主成分分析，属性选择等。
4、数据挖掘模式发现。样本抽取完成并经预处理后，接下来要考虑的问题是：本次建模属于数据挖掘应用中的哪类问题(分类、聚类、关联规则或者时序分析)，选用哪种算法进行模型构建？
5、数据挖掘模型构建。预测模型的构建通常包括模型建立、模型训练、模型验证和模型预测4个步骤，但根据不同的数据挖掘分类应用会有细微的变化。
6、数据挖掘模型评价。评价的目的之一就是从这些模型中自动找出一个最好的模型来，另外就是要针对业务对模型进行解释和应用。预测模型评价和聚类模型的评价方法是不同的。
7、数据挖掘方法。利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等， 它们分别从不同的角度对数据进行挖掘。
