干货：数据挖掘方法论与工程化思考上海数据分析网

十是一个有趣且比较完整的数字，当然内容可以细化或合并，将其增加或减少直至获得中意的数字。另外，模型都是有生命周期的，满足条件之后就要进行退役或下线，这个过程就不在十个步骤中体现了。

一、原始数据采集

检查原始数据提取过程（数据仓库、数据集市、外部数据等），注意查看是否按要求进行数据脱敏，以及是否进行数据质量检查。

二、数据整合逻辑

检查数据处理及整合的基本思路，数据处理方法和流程（数据关联、链接）的正确性和完整性及处理结果的正确性。

三、特征工程处理

检查数据特征加工处理结果的正确性和稳定性。

四、算法参数选择

根据业务需求分析算法合理性，对比不同参数下的模型运行结果，确定算法及参数选择的合理性。

五、数据分配策略

检查采用交叉验证方式建立模型过程中的数据集拆分策略及模型结果，对比不同分配策略下模型的效果。

六、模型训练效率

检查模型开发过程中所使用的工具情况，及模型开发过程的运行耗时。

七、模型评价方案

检查模型评价方案及评价指标的合理性。

八、模型结果复核

检查模型评价结果的正确性，结果可再现及稳定性；

九、流程化部署

检查模型部署在生产环境后模型运行过程的流程化能力，以及调度脚本的正确性和可维护性。

十、模型运营优化

模型在日常运行过程中，检查批处理的输入数据采集、加工及运行过程的处理效率，检查模型输出结果的时效性和准确性。