Esta fase es la que suele conllevar la mayor parte del tiempo empleado en el desarrollo de un proyecto de ciencia de datos. En este momento es necesario llevar a cabo las tareas necesarias para preparar un conjunto de datos que alimente posteriormente al modelo de Machine Learning. Tareas tales como selección de atributos, transformación de formatos, limpieza de errores o imputación de datos faltantes son habituales durante esta fase. En nuestro caso, comenzamos por una anonimización de los datos y continuamos con la eliminación de atributos, datos redundantes, transformaciones de fechas, de valores numéricos, caracterización de atributos nominales, etc. Esta fase requiere de mucha interacción entre el equipo de ciencia de datos y los expertos en la materia ya que estos últimos saben diferenciar entre un error y un dato válido en algunos atributos.

Tras las primeras fases de preparación entramos de lleno en la de generación del modelo. Se emplean diferentes técnicas de aprendizaje (Machine Learning), se entrenan distintos modelos calibrando sus parámetros y se obtienen las métricas con las que poder realizar una evaluación de los procedimientos realizados. En nuestro caso, de todos los modelos actuales que probamos, los basados en árboles de decisión fueron los que mejores resultados obtuvieron. Posteriormente, en la fase de evaluación se procede a valorar los distintos modelos en base a las métricas obtenidas, la importancia de las variables en la predicción, etc.