終于有人把數(shù)據(jù)挖掘講明白了

數(shù)據(jù)挖掘是一個多學(xué)科交叉的產(chǎn)物，涉及統(tǒng)計學(xué)、數(shù)據(jù)庫、機器學(xué)習(xí)、人工智能及模式識別等多種學(xué)科，如圖1-4所示。

▲圖1-4 數(shù)據(jù)挖掘

01 數(shù)據(jù)挖掘方法分類介紹

數(shù)據(jù)挖掘方法按照來源進行分類顯得過于龐雜，而且不便于理解和記憶。按照其目的，將數(shù)據(jù)挖掘方法分為預(yù)測性和描述性兩大類，如下所示。

• 目的：預(yù)測性

• 定義：有監(jiān)督學(xué)習(xí)，分類模型，用一個或多個自變量預(yù)測因變量的值 　舉例：客戶是否會違約是一個因變量，可以根據(jù)客戶的性別、年齡、收入、職位、經(jīng)濟狀況、歷史信用狀況等因素進行預(yù)測

• 主要算法：決策樹、線性回歸、邏輯回歸、支持向量機、神經(jīng)網(wǎng)絡(luò)、判別分析等

• 目的：描述性

• 定義：無監(jiān)督學(xué)習(xí)，分析具有多個屬性的數(shù)據(jù)集，找出潛在的模式，沒有因變量

• 舉例：觀察個體之間的相似程度，如根據(jù)年齡、性別、收入等因素進行客戶細分。根據(jù)客戶對多個產(chǎn)品的購買情況發(fā)現(xiàn)產(chǎn)品之間的相關(guān)性

• 主要算法：聚類、關(guān)聯(lián)分析、因子分析、主成分分析、社交網(wǎng)絡(luò)分析等

1. 預(yù)測性——有監(jiān)督學(xué)習(xí)

預(yù)測性分析指的是用一個或多個自變量預(yù)測因變量的值，以歷史數(shù)據(jù)為訓(xùn)練集，從中學(xué)習(xí)并建立模型，然后將此模型運用到當(dāng)前數(shù)據(jù)上，推測結(jié)果。以客戶違約作為預(yù)測性分析的研究場景，客戶是否會違約是一個因變量，我們可以根據(jù)客戶的性別、年齡、收入、職位、經(jīng)濟狀況、歷史信用狀況等進行預(yù)測。

根據(jù)SAS工程師總結(jié)的商業(yè)案例，分類模型可分為三大類。

• 決策類，如銀行卡欺詐檢測、人體生物特征識別。

• 等級評定類，如客戶信用評分。

• 估計類，如違約損失準(zhǔn)備金估計、收入預(yù)測等。

有些數(shù)據(jù)挖掘算法在某類應(yīng)用上表現(xiàn)得更好，如最近鄰域法、支持向量機在決策類應(yīng)用上表現(xiàn)良好，但是在解決排序類和估計類問題時表現(xiàn)一般。而有些數(shù)據(jù)挖掘算法的表現(xiàn)比較穩(wěn)定，如決策樹和邏輯回歸對三類問題都適用，但是在決策類問題上沒有在后兩類問題上表現(xiàn)好。

2. 描述性——無監(jiān)督學(xué)習(xí)

描述性分析指的是分析具有多個屬性的數(shù)據(jù)集，找出潛在的模式并進行分類。描述性分析是一種無監(jiān)督的學(xué)習(xí)過程。區(qū)別于有監(jiān)督的學(xué)習(xí)，無監(jiān)督學(xué)習(xí)算法沒有參照指標(biāo)，需要結(jié)合業(yè)務(wù)經(jīng)驗來判斷數(shù)據(jù)分類是否正確。無監(jiān)督學(xué)習(xí)比較耗時，而且對建模人員的業(yè)務(wù)素質(zhì)要求較高。

描述性分析主要應(yīng)用于以下兩種場景：第一種是觀察個體之間的相似程度，如根據(jù)年齡、性別、收入等進行客戶細分；第二種是根據(jù)客戶購買的多個產(chǎn)品發(fā)現(xiàn)產(chǎn)品之間的相關(guān)性，主要算法包括樣本聚類、關(guān)聯(lián)規(guī)則等。

02 數(shù)據(jù)挖掘方法論

下面講解最為常用的CRISP-DM方法論和SEMMA方法論。

1. CRISP-DM方法論

CRISP-DM方法論由NCR、Clementine、OHRA和Daimler-Benz的數(shù)據(jù)挖掘項目總結(jié)而來，并被SPSS公司大力推廣。CRISP-DM方法論將數(shù)據(jù)挖掘項目的生命周期分為6個階段，分別是商業(yè)理解、數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備、建模、評估和準(zhǔn)備工作，如圖1-16所示。

▲圖1-16 CRISP-DM方法論

在實際項目進行過程中，由于使用者的目標(biāo)背景和興趣不同，有可能打亂各階段順承的關(guān)系。

圖1-16呈現(xiàn)了CRISP-DM方法執(zhí)行流程的6個階段。各個階段的順序不是保持不變的，有時需要在某個階段向前或向后移動，這取決于每個階段的結(jié)果和下一個階段的具體任務(wù)。箭頭指出了各個階段之間的關(guān)聯(lián)。

在圖1-16中，最外圈的循環(huán)表示數(shù)據(jù)挖掘本身的循環(huán)特征。數(shù)據(jù)挖掘是一項持續(xù)的工作。在上一個流程和解決方案中獲得的經(jīng)驗與教訓(xùn)，可以給下一個項目提供指導(dǎo)。下面簡要介紹每個階段的特點。

1）商業(yè)理解

該階段的特點是從商業(yè)角度理解項目的目標(biāo)和要求，通過理論分析找出數(shù)據(jù)挖掘可操作問題，制訂實現(xiàn)目標(biāo)的初步計劃。

2）數(shù)據(jù)理解

該階段開始于原始數(shù)據(jù)的收集，然后是熟悉數(shù)據(jù)、標(biāo)明數(shù)據(jù)質(zhì)量問題、探索對數(shù)據(jù)的初步理解、發(fā)掘有趣的子集，以形成對探索關(guān)系的假設(shè)。

3）數(shù)據(jù)準(zhǔn)備

該階段包括所有從原始的、未加工的數(shù)據(jù)構(gòu)造數(shù)據(jù)挖掘所需信息的活動。數(shù)據(jù)準(zhǔn)備任務(wù)可能被實施多次，而且沒有任何規(guī)定的順序。這些任務(wù)的主要目的是從源系統(tǒng)根據(jù)維度分析的要求，獲取所需要的信息，同時對數(shù)據(jù)進行轉(zhuǎn)換和清洗。

4）建模

該階段主要是選擇和應(yīng)用各種建模技術(shù)，同時對參數(shù)進行校準(zhǔn)，以達到最優(yōu)值。通常，同一類數(shù)據(jù)挖掘問題會有多種建模技術(shù)。一些技術(shù)對數(shù)據(jù)格式有特殊的要求，因此常常需要返回到數(shù)據(jù)準(zhǔn)備階段。

5）評估

在模型最后發(fā)布前，根據(jù)商業(yè)目標(biāo)評估模型和檢查模型建立的各個步驟。此階段的關(guān)鍵目的是，確認(rèn)重要的商業(yè)問題都得到充分考慮。

6）準(zhǔn)備工作

模型完成后，由模型使用者（客戶）根據(jù)當(dāng)時的背景和目標(biāo)完成情況，決定如何在現(xiàn)場使用模型。

2. SEMMA方法論

除了CRISP-DM方法論，SAS公司還提出了SEMMA方法論。其與CRISP-DM方法論內(nèi)容十分相似，流程為定義業(yè)務(wù)問題、環(huán)境評估、數(shù)據(jù)準(zhǔn)備、循環(huán)往復(fù)的挖掘過程、上線發(fā)布、檢視。其中循環(huán)往復(fù)的挖掘過程包含探索、修改、建模、評估和抽樣5個步驟，如圖1-17所示。

▲圖1-17 SEMMA方法論

1）抽樣

該步驟涉及數(shù)據(jù)采集、數(shù)據(jù)合并與抽樣操作，目的是構(gòu)造分析時用到的數(shù)據(jù)。分析人員將根據(jù)維度分析獲得的結(jié)果作為分析的依據(jù)，將散落在公司內(nèi)部與外部的數(shù)據(jù)進行整合。

2）探索

這個步驟有兩個任務(wù)，第一個是對數(shù)據(jù)質(zhì)量的探索。

變量質(zhì)量方面涉及錯誤值（年齡=-30）、不恰當(dāng)（客戶的某些業(yè)務(wù)指標(biāo)為缺失值，實際上是沒有這個業(yè)務(wù)，值應(yīng)該為“0”）、缺失值（沒有客戶的收入信息）、不一致（收入單位為人民幣，而支出單位為美元）、不平穩(wěn)（某些數(shù)據(jù)的均值變化過于劇烈）、重復(fù)（相同的交易被記錄兩次）和不及時（銀行客戶的財務(wù)數(shù)據(jù)更新滯后）等。

探索步驟主要解決錯誤的變量是否可以修改、是否可以使用的問題。比如，缺失值很多，平穩(wěn)性、及時性很差的變量不能用于后續(xù)的數(shù)據(jù)分析，而缺失值較少的變量需要進行缺失值填補。

第二個是對變量分布形態(tài)的探索。

對變量分布形態(tài)的探索主要是對變量偏態(tài)和極端值進行探索。由于后續(xù)的統(tǒng)計分析大多是使用參數(shù)統(tǒng)計方法，這要求連續(xù)變量最好是對稱分布的，這就需要我們了解每個連續(xù)變量的分布情況，并制定好變量修改的方案。

3）修改

根據(jù)變量探索的結(jié)論，對數(shù)據(jù)質(zhì)量問題和分布問題涉及的變量分別做修改。數(shù)據(jù)質(zhì)量問題涉及的修改包括錯誤編碼改正、缺失值填補、單位統(tǒng)一等操作。變量分布問題涉及的修改包括函數(shù)轉(zhuǎn)換和標(biāo)準(zhǔn)化，具體的修改方法需要與后續(xù)的統(tǒng)計建模方法相結(jié)合。

4）建模

根據(jù)分析的目的選取合適的模型，這部分內(nèi)容在1.3節(jié)已經(jīng)做了詳細的闡述，這里不再贅述。

5）評估

這里指模型的樣本內(nèi)驗證，即使用歷史數(shù)據(jù)對模型表現(xiàn)的優(yōu)劣進行評估。比如，對有監(jiān)督學(xué)習(xí)使用ROC曲線和提升度等技術(shù)指標(biāo)評估模型的預(yù)測能力。

03 數(shù)據(jù)挖掘建模框架的3個原則

筆者提出了數(shù)據(jù)挖掘建?？蚣艿?個原則，即以成本-收益分析為單一分析框架、以分析主體和客體為視角構(gòu)建全模型生命周期工作模板，將紛繁多樣的數(shù)據(jù)挖掘應(yīng)用主題歸納為3大分析范式和9大工作模板，如圖1-18所示。

▲圖1-18 3大分析范式和9大工作模板

1. 以成本-收益分析為單一分析框架

世上萬事萬物都具有矛盾的兩面性，金融數(shù)據(jù)挖掘建模力圖通過數(shù)據(jù)反映行為背后的規(guī)律，緊抓主要矛盾就是找尋規(guī)律的捷徑。大家都知道，挖掘有效的入模特征是數(shù)據(jù)建模的難點。一旦我們了解了分析課題的主要矛盾，這個難點就迎刃而解了。下面講解如何使用這個框架進行分析。

首先舉3個例子。

1. 信用評分模型中，是否逾期是被預(yù)測變量，而解釋變量中經(jīng)常出現(xiàn)的收入穩(wěn)定性、職業(yè)穩(wěn)定性、家庭穩(wěn)定性、個人社會資本都是在度量客戶違約成本。信用歷史既是被解釋變量的滯后項，也能反映違約成本。收益會用貸存比、貸收比、首付占比等指標(biāo)來衡量。

2. 申請欺詐模型的標(biāo)簽往往是客觀存在的。入模特征以反映異常為主，比如異常高的收入、異常高的學(xué)歷、異常密集的關(guān)系網(wǎng)絡(luò)等。這背后隱藏著統(tǒng)一的成本-收益分析框架。之所以會顯示異常，是因為造假是有成本的，信用卡申請欺詐者知道收入證明造假可以獲得更高的信用額度，但是由于其居住地、職業(yè)和學(xué)歷沒有造假，因此按照這三個維度對其收入進行標(biāo)準(zhǔn)化之后很容易發(fā)現(xiàn)其收入異常。這可以說是公開的秘密，因為信用卡發(fā)放公司會根據(jù)造假成本對非可靠申請者進行授信，使得欺詐者無利可圖。

3. 運營優(yōu)化模型比如資產(chǎn)組合的持倉問題，其收益是資產(chǎn)的收益率，而成本是該資產(chǎn)市場價格的波動率。建模人員需要選擇收益-成本最優(yōu)的組合。

2. 以分析主體和客體為視角

在數(shù)據(jù)挖掘建模中，定義標(biāo)簽是主體視角。比如營銷預(yù)測模型中客戶是否響應(yīng)，是建模人員自己定的規(guī)則，這個規(guī)則有可能是收到營銷短信后三天內(nèi)注冊賬號并產(chǎn)生訂單。

在構(gòu)建入模的特征集時需要采用客體視角，比如手機銀行的營銷響應(yīng)模型中，入模的特征應(yīng)該反映客體的成本-收益的變量，比如年齡反映的是使用手機銀行和去實體渠道的成本。

當(dāng)建模人員意識到標(biāo)簽是自己主觀臆斷的時候，便會對該標(biāo)簽的選擇更用心；當(dāng)意識到入模的特征來自客體時，才會從客體的視角出發(fā)更高效地構(gòu)建特征集。

3. 構(gòu)建全模型生命周期工作模板

我們在CRIP-DM和SEMMA的基礎(chǔ)上提出“高質(zhì)量數(shù)據(jù)挖掘模型開發(fā)七步法”，如圖1-19所示。

前三步是蓄勢階段，更多的是從業(yè)務(wù)人員、數(shù)據(jù)中吸收經(jīng)驗并形成感知。制作特征、變量處理和建立模型階段是豐富特征、尋找有效模型的階段，需要通過各種手段探查到最有效的特征和精度最高的模型。最后是模型輸出階段，選出的模型不但精度高，還要穩(wěn)定性強。

▲圖1-19 業(yè)務(wù)人員的業(yè)務(wù)表述