數據分析最花時間的是哪個階段？有人說是業務分析階段。其實業務分析階段，也就是把業務問題轉化成數據分析問題的階段，這個是“難者不會，會者不難”的階段。若不會，就算花再多的時間也難以搞清楚；若會，業務分析階段就不會成為數據分析的瓶頸。其實，收集需要的數據所花費的時間最長。一方面，大多數原始數據并不能直接拿來用，存在缺失值和異常值，我們將其稱為“臟數據”（dirty data）。臟數據通過清洗和整理后得到干凈的數據。另一方面，一個模型需要的數據可能來自多個渠道，這就要求把多個渠道的數據關聯在一起，形成一張大的寬表，我們將其稱為“主表”（master table）。

這里說的“收集需要的數據”包括數據的采集、整理與存儲。注意是“收集需要的數據”，而不是“收集數據”。“收集數據”指的是數據采集，而“收集需要的數據”還包含數據的整理和存儲等過程。