（1）信息收集。信息收集要在對項目目標和需求的充分理解的基礎(chǔ)上進行。也就是先根據(jù)數(shù)據(jù)分析的目標和需求，確定所需要的特征信息，選擇合適的信息收集方法，然后再將收集到的信息存人數(shù)據(jù)庫。

（2）數(shù)據(jù)集成。數(shù)據(jù)集成既為數(shù)據(jù)共享，對不同來源、不同格式、不同性質(zhì)特點的數(shù)據(jù)進行邏輯上或物理上整理。

（3）數(shù)據(jù)規(guī)約。數(shù)據(jù)規(guī)約是為提高數(shù)據(jù)挖掘效率而對數(shù)據(jù)源所進行的預(yù)處理。如果不對數(shù)據(jù)源進行規(guī)約，那么即使在少量數(shù)據(jù)上執(zhí)行多個數(shù)據(jù)挖掘算法，也需要很長的時間。而在大量數(shù)據(jù)上執(zhí)行多個數(shù)據(jù)挖掘算法時。幾乎就無效率可言。采用數(shù)據(jù)規(guī)約可以得到數(shù)據(jù)源的規(guī)約表示。數(shù)據(jù)源規(guī)約表示與數(shù)據(jù)源相比，容量雖然小了得多，數(shù)據(jù)的完整性卻保持接近。正因如此，數(shù)據(jù)規(guī)約后數(shù)據(jù)挖掘的結(jié)果幾乎相同，但數(shù)據(jù)挖掘的效率卻有了較大提高。

（4）數(shù)據(jù)整理。數(shù)據(jù)庫中有一些數(shù)據(jù)的屬性值不完整、表示方式不一致。因此，需要對數(shù)據(jù)進行再加工，用科學方法，填補丟失的數(shù)據(jù)。處理噪音數(shù)據(jù)。使數(shù)據(jù)完整、一致。

（5）數(shù)據(jù)變換。利用數(shù)學、統(tǒng)計學手段，將參與分析的數(shù)據(jù)，轉(zhuǎn)換成為適合數(shù)據(jù)挖掘的數(shù)據(jù)形式。

（6）數(shù)據(jù)挖掘。選擇合適的數(shù)據(jù)分析工具，應(yīng)用規(guī)則推理、統(tǒng)計方法、決策樹、事例推理、模糊集、遺傳算法、神經(jīng)網(wǎng)絡(luò)等方法，對數(shù)據(jù)倉庫中的數(shù)據(jù)信息進行處理，得出數(shù)據(jù)處理成果。

（7）模式評估。為了取得更為有效的知識，請專家數(shù)據(jù)挖掘結(jié)果。在評估的基礎(chǔ)上反復提取，進而取得更有效的知識。

（8）成果表示。以專業(yè)的方式保存、傳遞、輸出、共享數(shù)據(jù)挖掘成果。