虽然说方法论在工业大数据的重要性，不及业务行业理解那么重要，但是对于方法论的理解，尤其是澄清对于一些细节的误解，对于行业新人来说，也是至关重要的。
CRISP-DM，Cross-Industry Standard Process for Data Mining，是一个SPSS，戴姆勒等公司合作制定的一个跨行业数据挖掘标准流程。
一个在跨行业（比如制造业）中的数据挖掘过程，大概是有六个阶段：
业务理解
数据理解
数据准备
建模
评价
部署
各个阶段任务大概如下：
第一阶段业务理解：从业务的角度理解项目的目标和需求，将业务的目的转换为一个数据挖掘的问题，制定一个初步的实现计划
第二阶段数据理解：初步收集数据，了解、熟悉数据。关注数据质量，进行探索性的分析。
第三阶段数据准备：准备最终输入到模型中的数据，数据的选择，数据清晰等
第四阶段建模：一般使用多种技术进行建模，将模型调整到最佳状态。
第五阶段评估：到这个阶段一般已经有从数据角度来看满足要求的模型。重点是评估是否有业务问题还没有考虑到，是否已经完全满足业务要求。评估数据挖掘结果的使用可能性。
第六阶段部署：数据分析完成了但是还不是最后一步。最后一步的部署可能是生成一个报告，也可能是需要建立一个整个公司层面的新的系统，这是看业务的需求来定。一般数据分析师不会主要来负责这一部分工作，但是一定要保证数据分析的结果被正确的使用。
在一个企业的数据挖掘项目中，各个阶段都有很多需要注意的问题。以下内容参考昆仑数据。
一、业务理解阶段
工业数据分析常常是一个知识严重二分的情形。数据分析师对工业过程缺乏深入了解，而业界人员对数据分析的了解相对缺乏，沟通成本很高，造成效率低甚至结果达不到预期。
有几种方法可以提高这样的情况下的沟通效率：
系统上下文（System Context）
业务方面要给出明确的系统上下文，包括业务相关（比如生产制造工程中，周围环境）等的相关原理、相关运作机制，相关关键信息，而且在尽量容易理解的同时，保证对于业务相关所有量的一个准确描述。
系统动力学模型(System Dynamics)
这个模型的核心，就是把业务相关的因素的数据，定义好自变量、因变量以及这些量的状态，是否可以观测，是否实时获得，是否可以控制等。
业务用例（Use Case）
要把一个工业大数据分析的项目需求描述清楚，就一定要定义好谁来用，什么时候，在什么情况下，如何使用，期待的结果是什么。
而且对于业务的需求一定要有重点以及突出优先级，对于期待的结果一定要有量化的衡量。比如判断一个机器状态是否正常，想要达到的程度，是要寿命预测，实时监测、异常通知，或者需要提前一个时间段预警，可能代表的是完全不同的业务难度。
比如，对于风机发电机结冰问题，结冰预测需要小尺度的天气预报，若做到风机层面的预测还需要叶片表面光洁度等信息（否则，解释不了平原风场的3台相邻的风机，只有1台结冰，另外2台没有结冰的现象，这3台风机同型号同时期建设，地形和周边环境也几乎一样）。但做到结冰检测基于SCADA风机状态数据就可以做得比较准确。从业务用例分析来看，风场运维需要是：能在风机严重结冰前采取适当措施，避免高载荷下运行对风机造成损害。及时的结冰检测报警也可以满足业务需求。（K2Data）
这几种方式，核心都是减轻知识相互不对等的两方合作时候，交流的成本。对于一个企业来说，建立一个长期的、渐进的培训学习机制，可以有效的提高这样的交流效率。
最后，业务方面的需求大概可以分为如下三类：
二、数据理解阶段
数据理解阶段，包括审查现有的数据，对数据进行第一阶段的初步洞察。最终回答的核心是这样的一个问题：
数据挖掘大概可以看成这样的一个情况。
我们现在有很多数据x，以及因变量Y，想要找到一个f，在可以接受的错误e的情况下，满足这个关系。
实际关系是有很多的X，也有很多的Y，关系复杂。但是我们可以考虑到的、测量的、可以收集的总是比实际少的，大概是这样的关系。
这时候就要看一个问题，经常是这样的：
实际中会有很多的量，但是我们可以获取的，只有一部分。核心的问题就是：这样的数据，有没有能力可以实现我们的目标。
还有就是数据分析的根基：数据质量
这个数据质量，在本身的以数据的方法判断之外（比如缺失值，明显的离群值等等），还有一些在工业领域一定要注意的事情。
有些工业领域的数据，如果不是直接采集，而是人工收集的，可能需要更多的时间去判断是否合理，需要结合情境，比如为了满足KPI而人为修改的效率数据。就算是机器直接收集的，也要考虑比如在某天产量极低的情况下，反而故障很高，是否是工厂在调试维修状态。比如机器状态在正常的情况下，用电量反而极低，是否是机器核心功能已经停止但是并没有及时报错等等。
这个阶段，就像大楼的地基一样，如果在项目的靠后阶段才发现问题，将会浪费大量的时间。所以对于关键性的数据，一定要结合多方面的知识来审核。
数据成本：数据分析师的进退两难
在传统的制造企业，数据分析师往往是一个比较新的部门或岗位，虽然级别低，但是经常要调动非常多的资源。这就带来了一个困境，经常会有数据较难获取的情况。
而且在很初期的阶段，数据分析师也很难在进行初步分析之前，就预测项目的成果。对于一些数据分析贯彻不够坚决的地方，数据分析师往往是巧妇难为无米之炊。
但是很多时候也会有另外一个极端，分析师战略地位足够高，业务部门足够配合，这时候分析师对于数据的需求，直接决定了这个阶段的工作量。如果一味的追求高质量、大量的数据，可能对业务造成极大的负担。
三、数据准备阶段
前边提到的数据获取等，也可以归纳到这个阶段。
个人更偏向于这个阶段开始已经是分析师的工作量大于业务方面。
这个阶段主要任务：
原始数据抽取，转换等纯数据的加工
结合前期对数据的理解，最终完成数据清洗
特征提取
这是这个阶段最重要的事情，到了项目的后期也经常会再回到这个点进行进一步的工作。
还是一样，在工业领域，一定要一定要一定要利用现有的知识，首先充分利用现有的知识进行特征提取。在相对成熟的领域一般都已经有现成的解决方案、论文等可以参考。
可以说这个阶段，直接决定了项目是不是可以成功。
第三阶段的工作往往要占到整个工作时间的40%以上。
第四阶段、建模
机器学习建模的过程。机器学习建模的方法目前已经很成熟稳定，在工业界使用的一般也是相对简单、稳定，研究了很多年的模型。这些模型已经足够优秀来解决工业界的问题。
这部分工作对于机器学习研究者、互联网从业者来说往往会显得很低级和无聊，工作占整个项目的工作量，在一个普通的项目里大概5%不到。
有足够质量的数据、优秀的特征以后，现在的建模也不需要你写代码了，大量的分析工具都可以很简单快速的完成常用模型。剩下还有非常大量的时间用来解释结果、汇报、不熟等等。
结合前边表格中的工作重点，这部分需要注意的问题主要还是两个：
充分利用现有的知识
模型简单、可靠，可解释性高
第五阶段、评价
在有一个从数据角度来说可用的模型以后，这个阶段再回到业务的角度来审核模型。毕竟制造业还是以人的决策为主。
这个阶段尤为重要的是审核模型应用的风险，比如是否有模型不可用的例外情况，模型应用的边界是什么样的。这个阶段的结果直接决定了数据分析是否能落地，往往很多数据分析的项目，在这一阶段不能说服业务方和管理者，也就不能实现价值。
这个阶段还有一个重要的评价是部署的方案。方案的成本、最终的收益、可扩展性、带来的风险等等，经过这些综合的考虑如果方案可以带来的直接、间接的经济收益大于支出和风险，那么就可以看做项目已经成功，就只待最后部署。
第六阶段、部署
对于上一个阶段部的策略进行实施。并不是一定要上一套新的大数据平台才算作是成功的部署。一个业务流程的改进，可能是通过人工的数据收集、通过相对简陋的分析系统手动分析、反馈结果给业务部门使用，这有时候可能也是一个非常好的结果。
这个阶段要注意的是对于全流程的清晰定义以及维护，进一步积累知识。
结束
在整个CRISP-DM的过程当中，围绕数据为核心，项目可能会在各个阶段之间跳跃，因为数据分析一定是一个不断迭代的过程。
CRISP-DM中定义了各个阶段要做的工作以及典型的交付物，非常值得学习一下。
（转发自知乎，作者：高尚）