1.商业问题理解
全面了解管理对新知识的需求以及对企业目标的明确认识。
进行项目规划，明确负责收集数据、分析数据、汇报结果的人员。在这一早期阶段，还应当对进行研究的经费预算，至少要给出预算上限和大致数据。
2.数据理解
将商业问题与使用数据完美匹配。
定量数据：用数值来衡量，可以是离散的，也可以使连续的。也成为分类数据包括定序和定类两种，定序数据有有限多个可排序的取值（差、好、极好），定类数据具有有限不可排序的取值（男、女）。定量数据可以由几组概率分布来表示。概率分布显示了数据是如何分布的
定性数据：可以进行编码，通过频率分布表示。
3.数据准备
数据处理。真实世界的数据通常都是不完全的（缺乏属性值、特殊性或只有总数）、杂乱的（包含错误或异常值）、不连续的（编码或名字中存在矛盾）。由于数据来自不同的数据源，它们之间具有不同的格式，如选取的数据可能来自平面文件、音频、图片或网页，必须转化为持续统一的格式。
4.建立模型
需要利用多种模型，经过多次实验和测量，找出解决某个实际问题的最佳方案。甚至对于单个模型或公式而言，也是需要对参数进行标准化才能得到最优结果。某些方法对数据格式有特殊要求，因此还需要退回到数据准备阶段重新处理。
数据挖掘建模的标准流程是将大规模未经处理数据分为小组，以进行测试或检验。然后分析师就可以根据一部分数据（实验组）建立模型（可以使用任何建模方法或公式），用另一部分数据（测试组）测试建立起来的模型。
5.检验和评估
对建立起来的模型进行测量和评估，确定其准确性和一般性。在实际环境中测试模型是否符合时间和财务的要求。这一发现过程的成功与否取决于数据分析师、商业分析师和决策者（如企业管理者）的互动。为了更好地解读数据，我们通常使用表格或可视化技术（如数据透视表、交叉表分析、饼图、柱状图、箱线图和散点图等）。
6.部署
数据部署这一步可能仅仅是给出一份报告，但也有可能要将整个数据挖掘过程在全公司重复一遍。