• Các dữ liệu cần thiết để thực hiện xây dựng báo cáo sẽ được thu thập từ các nguồn dữ liệu  về một nơi lưu trữ dạng cơ sở dữ liệu quan hệ (SQL database ),  gọi là data warehouse.  

•  Dữ liệu trên data warehouse được tổng hợp và tổ chức theo các  lĩnh vực như nhân sự, tài chính, bán hàng, khách hàng, vv, gọi là các datamarts. Các datamarts sẵn sàng cho việc tạo ra các báo cáo. 

• Các công cụ được tích hợp và sử dụng dữ liệu để xây dựng báo cáo thông minh. Hiện nay có rất nhiều công cụ báo cáo thông minh như PowerBI, Tableau, Qlick, Metasabe, Superset, vv.

Toàn bộ hệ thống này sẽ hoạt động tự động và liên tục cập nhật dữ liệu theo nhu cầu quản lý của doanh nghiệp.

• Business Understanding

Trước hết nhà khoa học dữ liệu cần trao đổi với người làm quản lý, kinh doanh, nghiệp vụ để hiểu được yêu cầu của bài toán. Ví dụ có thể dự đoán được sản phẩm nào khách hàng đang/sắp mong muốn để chủ động, tập trung chào bán cho khách hàng không? Có thể dự đoán được các hành vi gian lận, rửa tiền trong hệ thống chuyển tiền không? Việc xác định rõ yêu cầu dự đoán và hiểu rõ nghiệp vụ sẽ giúp các nhà khoa học xác định được phương pháp phân tích dự đoán nào nên được sử dụng.

• Data Understanding

Doanh nghiệp có thể có rất nhiều dữ liệu lịch sử khác nhau, lưu trữ trong các nguồn khác nhau. Các kĩ sư dữ liệu, nhà khoa học dữ liệu cần phải hiểu các nguồn dữ liệu và ý nghĩa của dữ liệu, sau đó thu thập dữ liệu về một nơi tập trung, ví dụ data warehouse, datalake, vv) để chuẩn bị sẵn sàng  khai phá, phân tích xem dữ liệu có ý nghĩa như thế nào, chất lượng có đáp ứng xây dựng mô hình không.

• Data Preparation

Dữ liệu thô mà chúng ta thu thập ít khi có ý nghĩa về mặt dự đoán, mà cần tổng hợp để xây dựng thành các đại lượng có ý nghĩa làm đầu vào cho các thuật toán và về mặt chuyên môn thường gọi là  features. 

Trước khi các thuật toán sử dụng các features này, các features cần được tiền xử lý; ví dụ như thay thế các giá trị thiếu (missing values), chuẩn hóa các giá trị bất thường (outliers), số hóa các features có giá trị là danh mục (categories), chuẩn hóa features, vv. Quá trình tiền xử lý đảm bảo tránh được các lỗi khi xây dựng mô hình, tối ưu khả năng tính toán, cũng như nâng cao khả năng chính xác của mô hình.

• Modeling

Đây là bước áp dụng các thuật toán (algorithms) lên các dữ liệu đã được chuẩn bị (features) để tìm ra mô hình tốt nhất. Có rất nhiều kĩ thuật khác nhau như machine learning, regression models, decision trees, vv. để xây dựng mô hình. Các nhà khoa học dữ liệu có thể thử nghiệm với các kĩ thuật khác nhau để tìm ra mô  hình tốt nhất đối với bản chất của tập dữ liệu mà họ nghiên cứu và phù hợp nhất cho bài toán của họ.

• Evaluation

Bước này kiểm tra độ chính xác của mô hình; điều chỉnh cho phù hợp và giải thích với đơn vị kinh doanh.

• Deployment

Nếu kết quả của mô hình được chấp nhận, mô hình sẽ được triển khai lên hệ thống để có thể thực hiện các  hoạt động dự đoán cho các dữ liệu mới và  kết quả của mô hình được truyền tải đến các  ứng dụng cần sử dụng kết quả dự đoán đó.

Regression Models

Các mô hình hồi quy ước tính mức độ ảnh hưởng của các yếu tố (tức biến độc lập) tác động đến giá trị của một đại lượng nào đó (biến phụ thuộc). Như vậy, chúng ta có thể sử dụng phương pháp này để dự đoán giá trị  của  đại lượng phụ thuộc  trong tương lai khi biết thông tin về các yếu tố ảnh hưởng.

Ví dụ, chúng ta có thể dự đoán được lượng kem bán ra phụ thuộc vào nhiệt độ, giá bán, vv. 

Classification Models

Mô hình phân loại  nhằm mục đích phân loại dữ liệu.  Việc  xây dựng mô hình phân loại bắt đầu với một tập dữ liệu huấn luyện,  trong đó dữ liệu đã được gắn nhãn. Các thuật toán sẽ tìm và học sự khác biệt của dữ liệu của các loại nhãn khác nhau, nhằm tạo ra cơ sở để phân biệt chúng. Mô hình sau đó được sử dụng để phân loại các dữ liệu mới. 

Các thuật toán học máy như Random Forest, Suppor Vector Machine, vv. thực hiện các mô hình phân loại này  và được xếp vào nhóm Học máy có giám sát (Supervised Machine Learning).

Ví dụ, phân loại tức thời giữa các cuộc tấn công mạng thật và các cuộc tấn công giả để đưa ra cảnh báo cho người giám sát an ninh.

Clustering models

Các thuật toán của mô hình phân cụm sẽ gán dữ liệu vào các nhóm, mà mỗi nhóm có các thuộc tính tương tự. Đối với các thuật toán phân cụm này, dữ liệu không cần gán nhãn; thuật toán sẽ tự động nhóm dữ liệu vào các nhóm có đặc điểm giống nhau một cách tối ưu nhất. Các thuật toán này được gọi là Học máy không giám sát (Unsupervised Machine Learning).

Các doanh nghiệp, nhất là doanh nghiệp bán lẻ thường thực hiện phân cụm khách hàng dựa trên hành vi và đặc điểm của khách hàng nhằm hiểu được chân dung các tập khách hàng doanh nghiệp đang có, từ đó xác định được tập khách hàng nào là mục tiêu của của doanh nghiệp. Phân cụm để tìm ra các tập khách hàng tiềm năng nhằm thực hiện các chiến dịch bán hàng.

Time-series models

Dự báo chuỗi thời gian là một kỹ thuật dự đoán các sự kiện theo trình tự thời gian. Các sự kiện trong tương lai được dự đoán bằng cách phân tích các xu hướng trong quá khứ, với giả định rằng các xu hướng trong tương lai sẽ tương tự như các xu hướng lịch sử.

Kĩ thuật này sử dụng dữ liệu lịch sử theo chuỗi thời gian và phân rã dữ liệu theo thời gian, chẳng hạn như xu hướng, mô hình theo mùa vụ, mô hình tuần hoàn,  tính đều đặn,...;  và có thể đưa thêm vào các yếu tố ngoại vi để xây dựng mô hình. 

Kĩ thuật này được sử dụng nhiều trong các lĩnh vực kinh tế vĩ mô,  tài chính và bán hàng; ví dụ, dự báo tăng trưởng kinh tế, xu hướng tiêu dùng, vv.