crisp-dm (cross-industry standard process for data mining)，即跨行業資料探勘標準流程，描述了資料探勘的生命週期，是迄今為止最流行的資料探勘流程，更多crisp-dm的應用示例請看《crisp-dm, still the top methodology for analytics, data mining, or data science projects》這篇文章。
之所以許多資料分析人員使用crisp-dm，因為他們需要的是一種可重複使用的分析方法。然而，如何在日常工作中使用crisp-dm方法時，仍存在一些問題。排名前四的4個問題分別是對業務需求缺乏認知，盲目的返工，盲目的部署和無法形成迭代。決策建模和決策管理可以解決這些問題，使crisp-dm流程的價值最大化，並確保模型分析的有效性。
完整的crisp-dm資料探勘流程的各個階段如圖1所示。下面介紹每個階段所要完成的任務。
基於crisp-dm的完整資料探勘流程圖
圖1 基於crisp-dm的完整資料探勘流程圖
1.業務理解階段(business understanding)：集中在理解專案目標和從業務的角度理解需求，定義資料探勘問題和完成目標的初步計畫;
2.資料理解階段(data understanding)：從初始的資料收集開始，通過一些活動的處理，目的是熟悉資料，發現資料的內部屬性，或是探測引起興趣的子集去形成隱含資訊的假設;
3.資料準備階段(data preparation)：資料準備階段包括從未處理的資料中構造最終資料集的所有活動。這些資料將是建模階段的輸入值，任務包括屬性的選擇、資料表、記錄的抽取，以及將資料轉換為模型工具所需的格式和清洗資料;
4.建模階段(modeling)：可以選擇和應用不同的模型技術，模型引數被調整到最佳的數值。有些技術在資料格式上有特殊要求，因此需要經常跳回到資料準備階段;
5.評估階段(evaluation)：經過建模階段後，已建立了乙個高質量的決策模型，但在開始最後部署模型之前，重要的事情是徹底地評估模型，檢查構造模型的步驟，確保模型可以完成業務目標。這個階段的關鍵目的是確定是否有重要業務問題沒有被充分的考慮，評估模型是否有達到最初設定的目標;
6.部署階段(deploying)：根據使用者需求，實現乙個重複的、複雜的資料探勘過程。
最外面這一圈表示資料探勘自身的迴圈本質，每乙個解決方案部署之後代表另乙個資料探勘的過程也已經開始了，需要在執行過程中不斷迭代、更新模型。
crisp-dm是乙個偉大的框架，它可以讓專案組聚焦於挖掘真正的商業價值上。crisp-dm路程已經存在有很長時間了，許多使用crisp-dm流程的專案常常會走捷徑，這些捷徑中的有一些是有意義的，但捷徑往往會導致專案使用不完整的流程，如圖2所示。
典型的不完整crisp-dm
圖2 典型的不完整crisp-dm
這種不完整的crisp-dm流程存在四個問題，具體包括：
1.業務目標不清晰
不能一開始就陷入細節，應該真正去了解業務問題以及明確乙個模型可以發揮什麼作用，確定專案團隊的業務目標和提出衡量專案成功的指標。「理解」了業務目標，團隊想把工作負擔最小化，就跳入專案的最有趣的部分–分析資料，但這樣做只產出有趣的模型，而不能滿足真正的商業需要。
2.盲目地返工
一些分析團隊只用分析術語來評估他們的模型，認為如果模型只要做到可**，那麼它就是乙個好的模型。大多數人通常可以意識到模型是有問題的，就會嘗試檢查他們的模型是否符合業務目標。但如果缺乏對商業問題的充分認識，這樣的檢查往往是非常困難的。如果他們開發的模型不符合業務需求，此時團隊幾乎沒得選擇，此時大多數人是在嘗試找到新資料或新的建模技術，而不是與他們的業務合作夥伴一起重新評估業務問題。
3.盲目地部署
一些分析團隊根本不考慮他們模型的部署和操作的易用性。做得好些的團隊可以認識到他們構建的模型必將處理實時資料，資料通常儲存在資料庫中，或嵌在式作業系統中。即使是這樣的團隊通常也沒有參與到部署工作中，不清楚模型是如何部署的，並不把部署當做分析工作的一部分，結果就是模型直接丟給it團隊去部署，模型是否容易部署、以及在生產環境是否可用都是別人的問題。這增加了模型部署的時間和成本，並產生了大量從未對業務產生影響模型。
4.無法形成迭代
分析專家了解模型的生命週期，為了保證模型的可用性，需要對模型保持更新。他們知道隨著商業環境變化，模型的價值會改變，驅動模型的資料模式可能會改變。但他們認為這是另乙個時間點的問題。由於他們缺少對業務問題的足夠認識，往往難以確定如何評估模型的表現，相比模型建立階段，他們在模型迭代、修改上的投入更少。畢竟解決另乙個新問題更有趣。這使得老的模型不受監控和保護，從而破壞了模型的長期價值。
以上任一問題都可能使構建出來的模型毫無商業價值，真正需要利用分析的組織，特別是資料探勘、**和機器學習等更高階的分析，必須避免這些問題。
解決這些問題需要明確、清晰地關注決策，圍繞著決策展開，包括需要改善的決策方法，改善意味著什麼，做能實際改善決策的分析模型，設計可以輔助決策的系統，還需要明確在怎樣的外部環境下需要重新評估模型。
資料探勘的步驟有哪些
所謂資料探勘就是從海量的資料中，找到隱藏在資料裡有價值的資訊。因為這個資料是隱式的，因此想要挖掘出來並不簡單。那麼，如何進行資料探勘呢？資料探勘的步驟有哪些呢？一般來講，資料探勘需要經歷資料收集 資料視覺化 資料預處理 準備模型輸入以及訓練模型五大步驟，下面讓中琛魔方來詳細分析一下吧！資料探勘的步驟...
資料探勘的技術都有哪些？
如果我們學習資料分析，那麼肯定少不了也要好好學習一下資料探勘。我們都知道，要想掌握好資料探勘就需要掌握很多的相關技術。一般來說，資料探勘工作的技術有關聯規則 分類 聚類 決策樹 序列模式，下面我們就給大家講述一下這些知識。1.關聯規則 首先我們給大家講述一下關聯規則，一般來說，關聯規則使兩個或多個項...
基於大資料的移動應用開發前景有哪些
在這裡相信有許多想要學習大資料的同學，大家可以 下大資料學習裙 740041381，即可免費領取套系統的大資料學習教程 大資料可用於以有用的方式增強人類的判斷力，隨著人們不斷使用移動裝置，他們的資料不斷儲存不斷增加，它隨著時間的流逝而變得越來越大，由於大資料的資料集如此之大，傳統的應用無法收集和評估...