数据科学管道通常分为以下5个并非完全顺序的基本过程：

1.数据获取

从不同来源获取数据，包括：数据库、NoSQL文件、网页抓取信息、分布式文件存储系统（例如Hadoop平台上的HDFS、RESTful API、文本文件），甚至PDF等。

2.探索和理解

辅以探索，深入理解要分析的数据以及这些数据如何采集；通常数据探索会让数据清洗过程更清晰，清洗后的数据需要更多探索和更深理解。

3.改写、整合、处理

将获取来的数据进行清洗，转换成目标形式。该过程通常耗费数据分析项目80%的时间，例如：数据字典改变、丢失；数据域中存在垃圾；数据值域的重新定义；被抓取Web页面改版、升级导致的数据缺失。

4.分析、建模

从数据中得到变量之间的统计关系，并使用机器学习技能进行聚类、分类、预测等。

5.交流和实施

按指定的形式和结构交付结果，无论是给下一轮迭代还是发送给各种不同用户，结果可以是一次性报告，也可以是Web产品。这并非仅仅是数据的可视化，也并非仅仅做一些酷炫的图形了事。数据可视化是和数据分析在一起的。数据分析要讲述数据中分析的结果，辅助决策者的决策才有意义。