1、 從多個業(yè)務(wù)系統(tǒng)因為數(shù)據(jù)倉庫有的數(shù)據(jù)中抽取而來而且包含歷史數(shù)據(jù)，這樣就避 定 認是否任務(wù)是過濾那些不符合要求的數(shù)據(jù)，將過濾的結(jié) 之后再進行抽取。的數(shù)據(jù)、錯誤的數(shù)據(jù)、重復的數(shù)據(jù)三大類。數(shù)據(jù)清洗是與 期格式不正確、日期越界等。這一類數(shù)據(jù)也要分類，對于類似語句 的這一類錯誤會導致 ETL 運行失敗，這一類錯誤需要去業(yè)務(wù)系統(tǒng)數(shù)據(jù)庫用 的方 將重復數(shù)據(jù)記錄的所有特別是維表中會出現(xiàn)這種情況-對于這一類數(shù)據(jù)- 字段 只有不斷的發(fā)現(xiàn)問題，解決問題。對于是否過濾，是否修正一般要求客戶確認， 可以每天向業(yè)務(wù)單位發(fā)送過濾數(shù)據(jù)的郵件，促使他們盡快地修正錯誤,同時 數(shù)據(jù)分析是指用適當?shù)慕y(tǒng)計分析方法對收集來的大量數(shù)據(jù)進行

2、分析， 提取有用信息和形成結(jié)論而 對數(shù)據(jù)加以詳細研究和概括總結(jié)的過程。這一過程也是質(zhì)量管理體系的支持過程。在實 用中，類型在統(tǒng)計學領(lǐng)域，有些人將數(shù)據(jù)分析劃分為描述性統(tǒng)計分析、探索性數(shù)據(jù)分析以及驗證其中，探索性數(shù)據(jù)分析側(cè)重于在數(shù)據(jù)之中發(fā)現(xiàn)新的特征，而驗證性數(shù)據(jù)分析則;性數(shù)據(jù)分析 側(cè)重 于已有假設(shè)的證實或證偽。探索性數(shù)據(jù)分析是指為了形成值得假設(shè)的檢驗而對數(shù)據(jù)進行分析的一 種方法，是對傳 命名。統(tǒng)統(tǒng)計學假設(shè)檢驗手段的補充。該方法由美國著名統(tǒng)計學家約翰 圖基 (John Tukey)，是指對諸或者質(zhì)性研究資料分析定性資料分析、 定性研究定性數(shù)據(jù)分析又稱為 或 又譯為資料探勘、數(shù)據(jù)采礦。數(shù)據(jù)挖掘(英語：

3、 Data mining)中的一個步驟。數(shù)據(jù)挖掘一般是 指從大 KDD)Databases，簡稱： Knowledge-Discovery in)的信 learningAssociation rule 量的數(shù)據(jù)中自動搜索隱藏于其中的有著特殊關(guān)系性(屬于機器 科學有關(guān)，并通過統(tǒng)計、在線分析處理、情報檢索、息的過程。數(shù)據(jù)挖掘通常與計算機 模式識別等諸多方法來實現(xiàn)上述目標。 學習、專家系統(tǒng)(依靠過去的經(jīng)驗法則) 數(shù)據(jù)挖掘的基本步折疊數(shù)據(jù)挖掘的步驟會隨不同領(lǐng)域的應用而有所變化，每一種數(shù)據(jù)挖掘技術(shù)也會有各自的 不同領(lǐng)域中的運用、規(guī)劃，以及流程的差異性，即使同一產(chǎn)業(yè)， 也會因為分析技術(shù)和專業(yè)知識的 涉入程

4、度不同而不同，因此對于數(shù)據(jù)挖掘過程的系統(tǒng)化、標準化就顯得格外重要。如此一來， 不僅可以較容易地跨領(lǐng)域應用，也可以結(jié)合不同的專業(yè)知識，發(fā)揮數(shù)據(jù)挖掘的真正精神。 數(shù)據(jù)挖掘完整的步驟如下： 理解數(shù)據(jù)和數(shù)據(jù)的來源(understanding)。 獲取相關(guān)知識與技術(shù)(acquisition)。 整合與檢查數(shù)據(jù)(integration and checking)。 去除錯誤或不一致的數(shù)據(jù)(data cleaning)。 建立模型和假設(shè)(model and hypothesis development)。 ) 。data mining 實際數(shù)據(jù)挖掘工作( 測試和驗證挖掘結(jié)果(testing and verification)。 解釋和應用(interpretation and use)。套數(shù) 據(jù)挖掘的過程中，有 80%的時間和精力是花費在數(shù)據(jù)預處理