مقادیر دور افتاده^[۶۶] یا حدی، مقادیر گم شده^[۶۷]، صفات تکراری^[۶۸]، داده­هایی که در فرم مناسب برای مدل­سازی نیستند و داده­هایی که با عقل سلیم جور در نمی­آیند. برای این منظور در داده‌کاوی روش­های مختلف تمیز کردن و تغییر شکل داده‌ها ارائه گردیده است [۱۱].

مدل­سازی: در این گام، روش‌های متفاوت مدل‌سازی انتخاب و بکار گرفته می­ شود، و پارامترهای آن­ها به صورت مقادیر بهینه تنظیم می­ شود. بعضی از روش­ها ساختار داده­ای خاصی را می­طلبند. بین فازهای آماده‌سازی و مدل‌سازی داده‌ها ارتباط نزدیکی برقرار است. اغلب مشکلات داده‌ها حین مدل‌سازی درک می­ شود و یا ایده­هایی برای ساخت داده‌های جدید به ذهن می­رسد [۵۰].
این گام شامل بخش­های زیر است [۱۱]:

• • انتخاب و استفاده از تکنیک مدل­سازی مناسب

• • دست­کاری و تنظیم مدل برای دستیابی به نتایج بهینه

• • در صورت نیاز برگشت به گام پیش­پردازش

ارزیابی: در پروژه­ای که بر اساس یک یا چند مدل ساخته شده است، پیش از رسیدن به گام به‌کارگیری، مدل­ها باید به طور دقیق ارزیابی شوند و گام‌های اجرایی ساخت مدل­ها بازبینی شوند تا از حصول اهداف کسب و کار اطمینان حاصل شود [۵۰]. مدل­های داده‌کاوی باید به فرایند تصمیم ­گیری کمک کنند [۳۱]. پس مدل زمانی مفید است که تفسیر پذیر باشد زیرا انسان‌ها مایل به استفاده از اصول پیچیده در فرایند تصمیم ­گیری جعبه سیاه مانند خود نیستند [۱۱].
به‌کارگیری: عموماً ساخت مدل پایان کار پروژه نیست. معمولاً دانش حاصل از این چرخه باید به صورتی سازماندهی و ارائه شود که مشتری نهایی بتواند از آن استفاده نماید. بسته به نیازمندی­ها، فاز به‌کارگیری می ­تواند به سادگی یک گزارش و یا به پیچیدگی اجرای یک فرایند داده‌کاوی تکرارپذیر^[۶۹] باشد. در بسیاری از موارد کاربر یک تحلیلگر داده نیست که گام‌های استقرار را درک نماید. بنابراین نکات لازم باید برای او توضیح و تبیین شود [۵۰].
هر کدام از گام‌های مدل فرایند CRISP-DM که پیش از این تفسیر شد شامل کارهای^[۷۰] مختلفی است که کارهای مربوط به هر گام و خروجی آن به طور خلاصه در جدول ۲-۴ آمده است.
جدول ۲-۴ فعالیت‌های مربوط به فازهای CRISP-DM و خروجی هر فعالیت [۵۰]