随着企业信息化的逐步深入，大量信息系统在企业中广泛应用，物联网、云计算、工业互联网等技术与企业经营生产紧密结合，设备运行、生产加工、测试试验等数据采集过程更加自动化，企业积累了大量的数据，包括产品销售数据、客户消费数据、客户行为数据、企业运营数据等，企业经营生产的各个阶段都可以被记录下来，产品销售的各个环节也被记录下来，客户的消费行为和网上行为都被采集下来，这些数据隐藏着大量的有价值的规律和信息，是企业的重要资产。
                               
另一方面，传统的数据报表、即席查询等简单分析手段已无法满足企业对于深层次信息的挖掘需求，大数据融合、大数据分析、大数据挖掘等技术不断发展，漏斗分析、事件分析、行为分析、留存分析、属性分析等模型不断完善，神经网络、决策树、关联规则等挖掘算法不断成熟，基于Hadoop、HDFS的分布式存储技术以及基于Storm、Spark、MapReduce等分布式计算技术迅猛发展，为大数据分析处理及分析建模提供了坚实的技术支撑。

1 选择分析模型 基于收集到的业务需求、数据需求等信息，研究决定选择具体的模型，如行为事件分析、漏斗分析、留存分析、分布分析、点击分析、用户行为分析、分群分析、属性分析等模型，以便更好地切合具体的应用场景和分析需求。
                               
2 训练分析模型 每个数据分析模型模式基本是固定的，但其中存在一些不确定的参数变量或要素在里面，通过其中的变量或要素适应变化多端的应用需求，这样模型才会有通用性。企业需要通过训练模型找到最合适的参数或变量要素，并基于真实的业务数据来确定最合适的模型参数。
                               
3 评估分析模型 需要将具体的数据分析模型放在其特定的业务应用场景下（如物资采购、产品销售、生产制造等）对数据分析模型进行评估，评价模型质量的常用指标包括平均误差率、判定系数，评估分类预测模型质量的常用指标包括正确率、查全率、查准率、ROC曲线和AUC值等。