3.数据准备（data preparation），涵盖了从原始粗糙数据中构建最终数据集（将作为建模工具的分析对象）的全部工作。
4.建模（modeling），各种各样的建模方法将被加以选择和使用，通过建造，评估模型将其参数将被校准为最为理想的值。
5.评估（evaluation），在这一阶段中已经建立了一个或多个高质量的模型。但在进行最终的模型部署之前，更加彻底的评估模型。回顾在构建模型过程中所执行的每一个步骤，，是非常重要的，这样可以确保这些模型是否达到了企业的目标。
是否仍然有一些重要的企业问题还没有被充分地加以注意和考虑。在这一阶段结束之时，有关数据挖掘结果的使用应达成一致的决定。
6.部署（deployment），即将其发现的结果以及过程组织成为可读文本形式.模型的创建并不是项目的最终目的。
数据挖掘的工程化基础
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。
当然这不是一蹴而就的，其实依赖于企业整体数据应用水平的提升。企业积极尝试应用新技术，在大数据分析挖掘领域进行试点，然后伴随数据挖掘从点到面的工程化铺开，人工智能的应用场景自然就会呈现出来。
通常传统企业在大数据挖掘领域会有所尝试，并在若干点上取得一定的进展，但距离整体铺开应该都还有很大的差距。企业数字化转型即业务从电子化到数字化的过程，对应着大数据应用深度和复杂度的持续提升，其中数据挖掘的工程化水平是一个重要的衡量标准。
数据挖掘在流程机制的建立过程中要充分实现工程化管理，同时注意加强知识技能的共享和传导。模型开发对应的是实验室机制，数据科学家发挥应有的核心作用。
