La première étape consiste à éliminer les « noise items » qui contaminent les bases de données. Ces items sont habituellement des caractères superflus et des marques de ponctuations, mais certains acronymes et abréviations comme « Inc » et « Ltd »,peuvent être considérés comme indésirables. La prochaine étape consiste à identifier les doublons. Des logiciels suffisamment « intelligents » permettront de détecter des doublons même si ceux-ci ne sont pas écrits tout à fait de la même façon. Cette étape, qui emploie la technologie « fuzzy matching », est cruciale pour conserver des données de haute qualité. En dernier lieu, il s’agit de standardiser les données valides afin qu’elles puissent être utilisées de façon rapide et efficace!