数据分析生命周期：
从数据到决策的过程。
1.询问：业务挑战、目标、问题
2.准备：数据生成、收集、存储、管理
3.处理：数据清洗、数据完整性
4.分析：数据探索、可视化和分析
5.分享：交流和解释结果
6.行动：将见解付诸实践以解决问题
EMC的数据分析生命周期：
EMC Corporation 的数据分析生命周期是循环的，分为六个步骤：
1.发现数据
2.预处理数据
3.模型规划
4.建筑模型
5.交流结果
6.行动
EMC Corporation 现在更名为 Dell EMC。这个模型由 David Dietrich 创建，反映了现实世界项目的周期性。这些阶段不是静态的里程碑；每一步都连接并通向下一步，并最终重复。关键问题可帮助分析师测试他们是否已取得足够的成就以继续前进，并确保团队在每个阶段都花费了足够的时间，并且在数据准备好之前不要开始建模。它与这个程序所基于的数据分析生命周期略有不同，但它有一些共同的核心思想：第一阶段是对发现和提出问题感兴趣；必须先准备好数据，然后才能对其进行分析和使用；然后应该分享调查结果并采取行动。
SAS的迭代生命周期：
迭代生命周期由一家名为SAS的公司创建，该公司是领先的数据分析解决方案提供商。它可用于产生可重复、可靠和可预测的结果：
1.询问
2.准备
3.探索
4.建模
5.行动
6.事实
7.评估
SAS 模型通过将其可视化为无穷大符号来强调其模型的周期性。它们的生命周期有七个步骤，我们在其他模型中看到了其中的许多步骤，例如 Ask、Prepare、Model 和 Act。但是这个生命周期也有点不同；它包括行动阶段之后的一个步骤，旨在帮助分析师评估他们的解决方案并可能再次返回询问阶段。
基于项目的数据分析生命周期：
1.识别问题
2.设计数据需求
3.预处理数据
4.执行数据分析
5.可视化数据
此数据分析项目生命周期由 Vignesh Prajapati 开发。它不包括第六阶段，或者我们所说的行动阶段。但是，它仍然涵盖了许多与我们已经描述的生命周期相同的步骤。它从识别问题开始，在分析前准备和处理数据，并以数据可视化结束。
大数据分析生命周期：
作者 Thomas Erl、Wajid Khattak 和 Paul Buhler 在他们的书《大数据基础：概念、驱动程序和技术》中提出了大数据分析生命周期。他们的生命周期建议将阶段分为九个步骤：
1.商业案例评估
2.数据识别
3.数据采集和过滤
4.数据提取
5.数据验证和清理
6.数据聚合和表示
7.数据分析
8.数据可视化
9.分析结果的利用
这个生命周期似乎比以前的生命周期模型多三四个步骤。但实际上，他们只是将我们所说的准备和处理分解为更小的步骤。它强调在分析阶段之前收集、准备和清理数据所需的各个任务。
