模型发布又称为模型部署，建立模型本身并不是数据挖掘的目标，虽然模型使数据背后隐藏的信息和知识显现出来，但数据挖掘的根本目标是将信息和知识以某种方式组织和呈现出来，并用来改善运营和提高效率。当然，在实际的数据挖掘工作中，根据不同的企业业务需求，模型发布的具体工作可能简单到提交数据挖掘报告，也可能复杂到将模型集成到企业的核心运营系统中去。模型发布阶段的数据流程图见图2-9所示。
图2-9 模型发布阶段的数据流程图
1.发布计划（Plan Deployment）
（1）任务（Task）。发布计划（Plan Deployment）：为了将数据挖掘结果发布到商业应用中，该任务包括评估结果和发布策略的结论。如果明确指定一个一般的程序来建立相关的模型，那么此处要记录下该程序以便后面的发布。
（2）输出结果（Outputs）。发布计划（Deployment Plan）：总结发布策略，包括必要的步骤和怎样实施这些步骤。
2.监测和维护计划（Plan Monitoring and Maintenance）
（1）任务（Task）。监测和维护计划（Plan Monitoring and Maintenance）：如果数据挖掘结果已经成为日常业务和其环境的一部分，模型监测和维护便是十分重要的事情。仔细地准备维护策略将有助于避免不必要地长期误用数据挖掘结果。为了监测数据挖掘结果的发布，项目需要制定一个关于监测过程的详细计划。该计划要考虑发布的具体类型。
（2）输出结果（Outputs）。监测和维护计划（Monitoring and Maintenance Plan）：总结监测和维护策略，包括必要的步骤和怎样实施这些步骤。(www.xing528.com)
3.生成最终报告（Produce Final Report）
（1）任务（Task）。生成最终报告（Produce Final Report）：在项目的末尾，领导者和其工作组写出一个最终报告。该报告依赖于发布计划，可能只是项目及其经验的总结（如果它们还未被作为一种持续的行动记录），或者它可能是数据挖掘结果的最后综合性演示。
（2）输出结果（Outputs）。最终报告（Final Report）：这是数据挖掘过程的最终书面报告。它包括以前所有陈述，并总结和组织结论。最终演示（Final Presentation）：在项目总结时常常会举行一个会议，此时会向客户口头演示结论。
4.回顾项目（Review Project）
（1）任务（Task）。回顾项目（Review Project）：评估项目进行过程中什么是正确的，什么是错误的，哪些做得较好，哪些还需要完善。
（2）输出结果（Outputs）。经验总结（Experience Documentation）：概括项目中得到的重要经验。例如，在相似情况中选择最为适合的数据挖掘技术时的缺陷、令人误解的方法或提示都是这块内容的一部分。在理想化的项目中，经验总结文件也涵盖了在项目阶段及其任务中个别项目人员所写的任何报告。
CRISP-DM数据挖掘过程将结果部署，写出数据挖掘报告作为一次挖掘任务的结束。通常用于建立模型的数据一般来源于信息系统，模型部署以后应该作用于信息系统，从而完成对新数据的分析。然后对利用模型产生的结果进行监视，对于实证发现模型失效的数据，应作为对该模型修正建立新模型的重要学习数据，因为修正前的模型是不符合此数据，从而实现对模型的修正，完成真正意义的挖掘循环。对于一个商业理解，结果部署不是结束，应该将部署后形成的数据，根据数据理解过程的规范，作为新的数据进入数据准备阶段，完成挖掘模型的不断修正。因此修正后的数据挖掘流程应该增加从结果部署到数据理解的连线[11]。改进的数据挖掘流程如图2-10所示。
图2-10 修正后的CRISP-DM数据挖掘流程
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
