數(shù)據(jù)挖掘的一些總結(jié)

深入淺出談數(shù)據(jù)挖掘段勇編者的話：本文對數(shù)據(jù)挖掘概念的產(chǎn)生，數(shù)據(jù)挖掘與常規(guī)數(shù)據(jù)分析的主要區(qū)別，所能解決的幾大類問題和所應(yīng)用的領(lǐng)域都有著非常清晰的論述。作者在此篇文章中認(rèn)為數(shù)據(jù)挖掘最重要的要素是分析人員的相關(guān)業(yè)務(wù)知識和思維模式。豐富的業(yè)務(wù)知識是設(shè)計有效的相關(guān)變量的必要條件，而分析人員的思維模式從此外一個方面也保障了設(shè)計變量的結(jié)構(gòu)化和完整性。所以我們在掌握豐富的業(yè)務(wù)知識同時，如果能夠按照正確的思維模式去思量問題，將會發(fā)現(xiàn)解決問題并非很艱難的。數(shù)據(jù)挖掘的本質(zhì)普通來說，上戢狹義的觀點認(rèn)為數(shù)據(jù)挖掘區(qū)別于常規(guī)數(shù)據(jù)分析的關(guān)鍵點在于：數(shù)據(jù)挖掘主要側(cè)重解決四類問題：分類、聚類、關(guān)聯(lián)、預(yù)測（關(guān)于這四類問題后文會詳細(xì)闡述），而常規(guī)數(shù)據(jù)分析則側(cè)重于解決除此之外的其他數(shù)據(jù)分析問題：如描述性統(tǒng)計、交叉報表、假設(shè)檢驗等。讓我們來看一個例子：某挪移運營商想了解目前彩鈴業(yè)務(wù)的發(fā)展現(xiàn)狀如何？解決這個問題的方法就是常規(guī)的數(shù)據(jù)分析，通過描述性統(tǒng)計和交叉報表，可以知道目前彩鈴業(yè)務(wù)的用戶數(shù)、普及率、收入情況？不同品牌用戶間的情況和差異？不同消費水平用戶間的情況和差異……。這樣的分析主要解決了企業(yè)過去發(fā)生了什么以及存在什么問題；如果該運營商希翼建立一個模型（或者規(guī)則），從沒有使用彩鈴的用戶群中找出一部份用戶作為彩鈴營銷活動的目標(biāo)用戶，如通過短信或者外呼的方式告知用戶可以免費試用彩鈴一個月。解決這個問題則需要使用數(shù)據(jù)挖掘的方法，過決策樹方法可以找出使用彩鈴業(yè)務(wù)可能性較高的用戶的一系列特征規(guī)則，然后根據(jù)這些規(guī)則去篩選目標(biāo)用戶。固然數(shù)據(jù)挖掘也并非解決這個問題惟一辦法，因為在沒有數(shù)據(jù)挖據(jù)這個概念之前（ 年以前），這樣的問題在商業(yè)中也是普遍存在的。通過常規(guī)的轆分析依然^解決這個問題,例如研究不同品牌、不同消費水平、不同年齡、不同……的用戶使用彩鈴的情況，也可以總結(jié)出一套比較實用的規(guī)則來作為篩選彩鈴目標(biāo)用戶的規(guī)則。固然，這樣的方法跟數(shù)據(jù)挖掘方法相比存在一定的不足，由于篇幅的限制，這個問題留給大家去思量。個人的觀點：數(shù)據(jù)挖掘很大程度上來說更像是一個框架概念。它所使用的各種方法在這個概念形成之前已經(jīng)普遍存在，例如統(tǒng)計學(xué)中的多元回歸、 回歸，人工智能中的神經(jīng)網(wǎng)絡(luò)等。在上個世紀(jì)年代，由于數(shù)據(jù)庫的高速發(fā)展，企業(yè)對精確化營銷的迫切需求，導(dǎo)致了數(shù)據(jù)挖掘這個概念和新名詞的誕生。固然我們也不能簡單的認(rèn)為甥居挖掘就是一"新瓶裝老酒"，畢竟,甥居挖掘根據(jù)所解決的不同類型的問題，把包含統(tǒng)計學(xué)在內(nèi)的各種方法進(jìn)行了整合和重新設(shè)計,形成為了一套新的數(shù)據(jù)分析方法設(shè)口框架，在這個框架內(nèi),源源不斷的不少人投入進(jìn)來，這其中主要包含兩類人：一類人是在更新設(shè)計新的算法；一類人是在不斷的探索既有的方法在商業(yè)中的各種應(yīng)用。婁媚挖掘主要解決的四類問題數(shù)據(jù)挖掘非常清晰的界定了它所能解決的幾類問題。這是一個高度的歸納，數(shù)據(jù)挖掘的應(yīng)用就曷巴這幾類問題演繹的一個過程。下面讓我們來看看它所解決的四類問題是如何界定的:□分類問題分類問題屬于預(yù)測性的問題，但是它跟普通預(yù)測問題的區(qū)別在于其預(yù)測的結(jié)果是類別(如A、B、C三類)而不是一個具體的數(shù)值(如55、65、75......)。舉個例子，你和朋友在路上走著，迎面走來一個人，你對朋友說：我猜這個人是個上海人，那末這個問題就屬于分類問題；如果你對朋友說：我猜這個人的年齡在30歲擺布，那末這個問題就屬于后面要說到的預(yù)測問題。商業(yè)案例中，分類問題可謂是最多的：給你一個客戶的相關(guān)信息，預(yù)測一下他未來一段時間是否會離網(wǎng)？信用度是好/普通/差？是否會使用你的某個產(chǎn)品？將來會成為你的高/中/低價值的客戶?是否會響應(yīng)你的某個促銷活動?……。有一種很特殊的分類問題，那就是"二分"問題，顯而易見，"二分"問題意味著預(yù)測的分類結(jié)果惟獨兩個類：如是/否；好/壞；高/低……。這種問題也稱為0/1問題。之所以說它很特殊,主要是因為解決這種問題時，我們只需關(guān)注預(yù)測屬于其中T的概率即可，因為兩個類的概率可以互相推導(dǎo)。如預(yù)測X=1的瞬為P(X=1),那末X=0的才蟀P(X=0)=1-P(X=l)。這一點是非常重要的?？赡懿簧偃艘呀?jīng)在關(guān)心數(shù)據(jù)挖掘方法是怎么預(yù)測P(X=l)這個問題的了，其實并不難。解決這種問題的一個大前提就是通過歷史數(shù)據(jù)的采集，已經(jīng)明確知道了某些用戶的分類結(jié)果，如已經(jīng)采集到了10000個用戶的分類結(jié)果，其中7000個是屬于"1"這種；3000個屬于"0"這種。伴有著采集到分類結(jié)果的同時，還采集了這10000個用戶的若干特征(指標(biāo)、變量)。這樣的數(shù)據(jù)集普通在數(shù)據(jù)挖掘中被稱為訓(xùn)僦，顧名思義，分類預(yù)測的規(guī)則就是通過這個數(shù)據(jù)集訓(xùn)練出來的。訓(xùn)練的大概思路是這樣的：對所有已經(jīng)采集到的特征/變量分別進(jìn)行分析，尋覓與目標(biāo)0/1變量相關(guān)的特征/變量，然后歸納出P（x=l）與篩選出來的相關(guān)特征/變量之間的關(guān)系（不同方法歸納出來的關(guān)系的表達(dá)方式是各不相同的，如回歸的方法是通過函數(shù)關(guān)系式,決策樹方法是通過規(guī)則集）。女嚅了解細(xì)節(jié),能閱：決策樹、Logistic回歸、判別分析、神經(jīng)網(wǎng)絡(luò)、Inpurity、Entropy、Chi-square、Gini、Odds、OddsRatio.....聚類問題聚類問題不屬于預(yù)測性的問題，它主要解決的是把一群對象劃分成若干個組的問題。劃分的依據(jù)是聚類問題的核心。所謂"物以類聚，人以群分"，故得名聚類。聚類問題容易與分類問題混淆，主要是語言表達(dá)的原因，因為我們常說這樣的話：”根據(jù)客戶的消費行為，我們把客戶分成三個類，第一個類的主要特征是……"，實際上這是一個聚類問題，但是在表達(dá)上容易讓我們誤解為這是個分類問題。分類問題與聚類問題是有本質(zhì)區(qū)別的：分類問題是預(yù)測一個未知類別的用戶屬于哪個類別（相當(dāng)于做單選題）,而聚類問題是根據(jù)選定的指標(biāo)，對一群用戶進(jìn)行劃分（相當(dāng)于做開放式的論述題）,它不屬于預(yù)測問題。聚類問題在商業(yè)案例中也是一個非往往見的，例如需要選擇若干個指標(biāo)（如價值、成本、使用的產(chǎn)品等）對已有的用戶群進(jìn)行劃分：特征相似的用戶聚為一類，特征不同的用戶分屬于不同的類。聚類的方法層出不窮，基于用戶間彼此距離的長短來對用戶進(jìn)行聚類劃分的方法依然是當(dāng)前最流行的方法。大致的思路是這樣的：首先確定選擇哪些指標(biāo)對用戶進(jìn)行聚類；然后在選擇的指標(biāo)上計算用戶彼此間的距離，距離的計算公式不少，最常用的就是直線距離（把選擇的指標(biāo)當(dāng)做維度、用戶在每一個指標(biāo)下都有相應(yīng)的取值，以看］故多維空間中的一個點，用戶彼此間的距離就可理解為兩者之間的直線距離。）；最后聚類方法把彼此距離比較短的用戶聚為一類，類與類之間的距離相對照較長。女嚅了解細(xì)節(jié)，請查閱：聚類分析、系球類、K-means聚類、歐氏S隅、閔雙巨離、馬氏距離等知識。關(guān)聯(lián)問題說起關(guān)聯(lián)問題，可能要從"啤酒和尿布"說起了。有人說啤酒和尿布是沃爾瑪超市的一個經(jīng)典案例，也有人說，是為了宣傳數(shù)據(jù)挖掘/數(shù)據(jù)倉庫而編造出來的虛構(gòu)的"托"。不管如何，"啤酒和尿布"給了我們一個啟示：世界上的萬事萬物都有著千絲萬縷的聯(lián)系，我們要善于發(fā)現(xiàn)這種關(guān)聯(lián)。關(guān)聯(lián)分析要解決的主要問題是：一群用戶購買了不少產(chǎn)品之后，哪些產(chǎn)品同時購買的幾率比較高?買了A產(chǎn)品的同時買哪個產(chǎn)品的幾率比較高?可能是由于最初關(guān)聯(lián)分析主要是在超市應(yīng)?障廣泛，所以又叫"購物籃分析"，英文簡稱為MBA ,當(dāng)非彼MBA戟MarketBasketAnalysis 0如果在研究的問題中，一個用戶購買的所有產(chǎn)品假定是同時一次性購買的，分析的重點就是所實用戶購買的產(chǎn)品之間關(guān)聯(lián)性；如果假定一個用戶購買的產(chǎn)品的時間是不同的，而且分析時需要突出時間先后上的關(guān)聯(lián)，如先買了什么，然后后買什么？那末這種問題稱之為序列問題，它是關(guān)聯(lián)問題的一種特殊情況。從某種意義上來說,序列問題也可以按照關(guān)聯(lián)問題來操作。關(guān)聯(lián)分析有三個非常重要的概念，那就是"三度"：支持度、可信度、提升度。假設(shè)有10000個人購買了產(chǎn)品，其中購買A產(chǎn)品的人是1000個，購買B產(chǎn)品的人是2000個，AB同時購買的人是800個。支持圉旨的是關(guān)聯(lián)的產(chǎn)品假定A產(chǎn)品和B產(chǎn)品關(guān)聯(lián)）同時購買的人數(shù)占總?cè)藬?shù)的比例，即800/10000=8% ,有8%的用戶同時購買了A和B兩個產(chǎn)品；可信度指的是在購買了一個產(chǎn)品之后購買此外一個產(chǎn)品的可能性，傷收函買了A產(chǎn)品之后購買B產(chǎn)品的可信度=800/1000=80% ,即80%的用戶在購買了A產(chǎn)品之后會購買B產(chǎn)品;提升度就是在購買A產(chǎn)品這個條件下購買B產(chǎn)品的可能性與沒有這個條件下購買B產(chǎn)品的可能性之比，沒有任］可條件下購買B產(chǎn)品可能性=2000/10000=20% ,那末提升度=80%/20%=4 。如需了解細(xì)節(jié)，請查閱：關(guān)聯(lián)規(guī)則、apriror算法中等相若口識。預(yù)測問題此處說的預(yù)測問題指的是狹義的預(yù)測，并不包含前面闡述的分類問題，因為分類問題也屬于預(yù)測。普通來說我們談預(yù)測問題主要指預(yù)測變量的取值為連續(xù)數(shù)值型的情況。例如天氣預(yù)報預(yù)測明天的氣溫、國家預(yù)測下一年度的GDP增長率、電信運營商預(yù)測下一年的收入、用戶數(shù)等？預(yù)測問題的解決更多的是采用統(tǒng)計學(xué)的技術(shù)，例如回歸分析和時間序列分析?；貧w分析是一種非常古典而且影響深遠(yuǎn)的統(tǒng)計方法，最早是由達(dá)爾文的表弟高爾頓在研究生物統(tǒng)計中提出來的方法，它的主要目的是研究目標(biāo)變量與影響它的若干相關(guān)變量之間的關(guān)系,通過擬和類（以Y=aXl+bX2+ ……的關(guān)系式劉曷建量之間的關(guān)系。通過這個關(guān)系式,在給定一組XI、X2……的取值之后就可以預(yù)測未知的Y值。相對來說，用于預(yù)測問題的回歸分析在商業(yè)中的應(yīng)用要遠(yuǎn)遠(yuǎn)少于在醫(yī)學(xué)、心理學(xué)、自然科學(xué)中的應(yīng)用。最主要的原因是后者是更偏向于自然科學(xué)的理論研究，需要有理論支持的實證分析，而在商業(yè)統(tǒng)計分析中，更多的使用描述性統(tǒng)用口報表去揭示過去發(fā)生了什么，或者是應(yīng)用性更強的分類、聚類問題。如需了解細(xì)節(jié)，請查閱：一元線性回歸分析、多元線性回歸分析、最小二乘法等相弟口識。數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域數(shù)據(jù)挖掘一開始就是面向應(yīng)用而誕生的，前面說到數(shù)據(jù)挖掘主要解決四大類的問題,如果把這些問題演繹到不同的行業(yè)，我們將看到數(shù)據(jù)挖掘的應(yīng)用是非常廣泛的。以我們時常接觸的挪移通信行業(yè)來說，結(jié)合前面提到的四大類問題，我們看看數(shù)據(jù)挖掘在通信行業(yè)都有哪些應(yīng)用。分類問題：離網(wǎng)預(yù)測：預(yù)測用戶在未來一段時間內(nèi)離網(wǎng)的風(fēng)險。信用申請評分：根據(jù)用戶資料評估用戶是否可以授信（如預(yù)付費用戶可以透支、后付費用戶可以延長帳期）。信用行為評分：根據(jù)用戶過去的消費行為特征評估信用得分高低，便于調(diào)整話費透支額度或者付費帳期。定位產(chǎn)品（如彩鈴、WAP、增值數(shù)據(jù)業(yè)務(wù)等）目標(biāo)用戶：構(gòu)建模型篩選產(chǎn)品營銷的目標(biāo)用戶群。聚類問題：用戶細(xì)分：選擇若干指標(biāo)把用戶群聚為若干個組，組內(nèi)特征相似、組間特征差異明顯。固然用戶細(xì)分的方法不少，不一定都是采用聚類方法。聚類的優(yōu)點是可以綜合處理多維變量，缺點是隨之帶來的不易解釋性。一種便于解釋的細(xì)分方法是結(jié)合業(yè)務(wù)對用戶群進(jìn)行人為的劃分，習(xí)慣上稱為Pre-Define的方法。這種方法的優(yōu)點是便于解釋且應(yīng)用性強，缺點是對業(yè)務(wù)要求比較高，劃分邊界比較難定，對多維變量處理有難度。關(guān)聯(lián)問題：□交叉銷售：針對用戶已經(jīng)使用的產(chǎn)品和業(yè)務(wù)，向其推薦他沒有使用的，但可能有興趣的產(chǎn)品。交叉銷售的問題從某種角度上來也可以理解為分類問題，與定位產(chǎn)品目標(biāo)用戶這個問題比較相似。預(yù)測問題：匕瞰成型的應(yīng)用不多，普通多為用戶數(shù)預(yù)測、收入預(yù)測等。什么是數(shù)據(jù)挖掘最重要的要素？回到文章一開始舉的那個案例來說，如果某運營商需要建立一個模型來篩選一部份目前還沒實用彩鈴的用戶作為推廣彩鈴業(yè)務(wù)的目標(biāo)用戶，那末這樣一個任務(wù)要取得成功的關(guān)鍵要素是什么呢？是分析人員的思維模式、分析采用的方法、相關(guān)業(yè)務(wù)知識還是分析采用的工具？從技術(shù)的角度來看這個問題，能不能得出精準(zhǔn)的答案主要取決于是否尋覓到與目標(biāo)（是否使用彩鈴）相關(guān)的變量。而影響變量選擇的關(guān)鍵并非選擇了不同分析方法，而是是否提供了足夠和有效的變量的去供分析方法選擇。也就是說不同的分析方法選擇相關(guān)變量的能力是相差不大的，關(guān)鍵是是否提供了足夠的變量供選擇。變量的提供取決于變量的采集和設(shè)計,影響它最關(guān)鍵的兩個因素是：相關(guān)業(yè)務(wù)知識和分析人員的思維模式。豐富的業(yè)務(wù)知識是設(shè)計有效的相關(guān)變量的必要條件。分析人員的思維模式從此外一個方面保障了設(shè)計變量的結(jié)構(gòu)化和完整性。麥肯錫公司一個重要的思維模式就是，即不重疊、不遺漏。這是一個非常要命的觀點，如