2．建立数据仓库或数据集市
按照分析主题进行重新组织，建立主题事物表（包含用于分析的测量值和连接维表的主键），包含有关维表（含维属性值和与事实表连接的代理键）的星型结构或多维数据库，最终确定数据仓库的物理存储结构，同时组织存储数据仓库元数据，以支持用户多角度、多层次的分析，发现数据趋势。其具体实现可以分为：ROLAP、MOLAP和HOLAP。ROLAP基本数据和聚合数据均存放在RDBMS之中；MOLAP基本数据和聚合数据均存放于多维数据库中；而HOLAP是ROLAP与MOLAP的综合，基本数据存放于RDBMS之中，聚合数据存放于多维数据库中，这是一个系统工程，是一个不断建立、发展、完善的过程，需要较长的时间。
3．利用数据仓库技术进行第一级数据挖掘
分类即区分数据类别。首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对未分类的数据进行分类。而估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理的是连续值的输出，同时分类的类别是确定数目的，估值的量是不确定的。由于电信业务原因，没有估值，仅进行分类，可以从中产生数据分布图（散布图）。对于关系模型，利用DISCOVERER进行分类，钻取，数据过滤，分层次数据选取，建立相应的报表格式，为二级挖掘提供数据；对于多维数组模型表示的结构，发挥EXPRESS工具的便于针对矩阵运算的优势进行操作。
4．在数据仓库基础上，利用相关的统计分析理论建立数学模型，进行第二级数据挖掘 。
第一，预测，即是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。主要利用时间序列分析，线性分析，回归分析，多元统计分析，灰色预测等方法进行。例如：业务收入预测，客户风险预测，业务实施情况预测等。
第二，关联规则和聚类，通过分析数据或记录间的关联程度，决定哪些事情将一起发生。将记录分组，把相似的记录在一个聚集（反映数据之间的关系）里。聚集和分类的区别是聚类不依赖于预先定义好的类，不需要训练集。如相关业务密切程度分析等。
5．给出分析结论
利用决策树，神经元网络，灰色决策等方法进行决策分析。
6．代入实际数据，进行一致性验证
不断校验误差，修正模型，提高精确度，进行效果监控，优化分析结果，同时修改相应的决策行为。比如：一段时间某两项业务关联度高，然后出现异常，关联度降低，那么在转折点的分析将出现较大偏差，因此要进行连续的检验，以保证及时发现问题，修订策略。
