建立数据分析模型是一个系统性的过程，需要按照以下步骤进行：

1. 确定分析目标：首先需要明确分析的目的是什么，确定需要解决的问题或者探索的方向。

2. 数据收集：收集与分析目标相关的数据，确保数据的准确性和完整性。

3. 数据清洗：对收集到的数据进行清洗和预处理，包括处理缺失值、异常值、重复值等。

4. 特征选择：选择与分析目标相关的特征，剔除无关或冗余的特征，以提高模型的效率和准确性。

5. 模型选择：根据分析目标选择合适的数据分析模型，比如回归分析、分类分析、聚类分析等。

6. 模型训练：使用清洗后的数据对选定的模型进行训练，调整模型参数以提高预测能力。

7. 模型评估：使用评估指标对训练好的模型进行评估，判断模型的性能和准确性。

8. 模型优化：根据评估结果对模型进行优化和调整，提高模型的预测能力和泛化能力。

9. 模型应用：将优化后的模型应用到实际数据中，进行预测和分析，得出结论并提出建议。

建立数据分析模型需要系统性地进行数据处理、特征选择、模型选择、训练、评估和优化等步骤，以达到更好的分析效果和预测能力。