1. 商业逻辑与思考
将实际应用中的业务问题转化为数据需求，进行数字化场景的设计，生成数据建模或数据分析问题。
2. 数据检查与清洗
为数据问题寻找合适的、高质量、可靠的数据源，对数据源进行筛选和预处理，统一数据格式。
3. 特征工程
选择用于建模或分析的数据特征，特征工程的工作体现数据科学家对业务的深刻、准确理解。
4. 数据建模
尽管在技术维度，数据建模看起来有一定门槛，实际上在一些成熟的算法框架、大数据框架下，但是该环节很可能是花费时间最少的。
5. 沟通和优化
数据科学家构建数据模型的最终目的是为了对业务进行有效支撑，因此数据模型在正式上线应用之前，需要进行多方验证，数据科学家需要与业务人员以及管理人员进行模型的效果确认，汲取业务端的反馈，并对模型进行及时的调整和优化。
6. 撰写文档
将数据模型成果进行文档撰写，说明模型的使用场景、规范、以及调用方式等，汇报技术工作成果。
本文由数字化转型网（www.szhzxw.cn）转载而成，来源于网络；编辑/翻译：数字化转型网（专业造就领导者）默然。
