现阶段大数据、人工智能技术日新月异，对于数据科学领域的工作者来说，在学习新技术的同时更要积极探索适合企业发展的应用场景。尤其是在人工智能领域，现阶段业界对于技术和数据的讨论比较多，但在传统行业中的应用场景其实还差的很多。
数据挖掘的标准流程
CRISP-DM(cross-industry standard process for data mining),即为"跨行业数据挖掘标准流程"。近年来CRISP-DM 在各种KDD过程模型中占据领先位置，2014年的统计数据表明其采用量达到43%。
通常来说，在各类KDD过程方法论中排在CRISP-DM后面的是SAS SEMMA。SEMMA代表建模的五个步骤，分别是samle,explore,modify,model和assess。SEMMA更偏重于数据挖掘的建模过程，与SAS的EM工具进行整合，其模型管理部署部分则体现在另外的工具套件中。
相比之下，CRISP-DM通用性更强，在大数据背景下的适应性也比较好。在此基础上我们制定了企业级的数据挖掘管理办法，源于CRISP-DM方法论并进行针对性细化，目的是对数据挖掘流程进行规范化管理。
其实CRISP-DM和SEMMA并没有太多的分歧，具体选择哪项方法跟实际人员投入和工具基础有关。CRISP-DM反映了数据挖掘中的自然迭代规律，在实际工作中可以从其中某一点切入，整体呈现螺旋优化的过程，其对应的六个阶段分别如下:
1.商业理解（business understanding），从商业的角度上面了解项目的要求和最终目的是什么. 并将这些目的与数据挖掘的定义以及结果结合起来。
2.数据理解（data understanding），开始于数据的收集工作。接下来就是熟悉数据的工作；收集原始数据，对数据进行装载，描绘数据，并且探索数据特征，进行简单的特征统计，检验数据的质量。
