騰訊、大講堂59-數(shù)據(jù)蘊(yùn)含商機(jī)挖掘決勝千里

1、騰 訊 大 講 堂第五十九期研發(fā)管理部數(shù)據(jù)蘊(yùn)含商機(jī)，挖掘決勝千里騰騰訊研究院訊研究院 數(shù)據(jù)分析數(shù)據(jù)分析研究室研究室simonjiangsimonjiang / / 江宇聞江宇聞2009-02-242009-02-24agenda數(shù)據(jù)挖掘是什么？1模型+算法2數(shù)據(jù)挖掘?qū)嵺`分享3心得與總結(jié)4從運(yùn)籌帷幄到?jīng)Q勝千里舌戰(zhàn)群儒草船借箭巧借東風(fēng)火燒赤壁赤壁懷古 蘇軾羽扇綸巾談笑間檣櫓灰飛煙滅.觀日月之行，察天地之變風(fēng)雷電雨云云多會(huì)下雨刮風(fēng)會(huì)下雨下雨會(huì)閃電閃電會(huì)打雷換成它呢？數(shù)據(jù)爆炸的時(shí)代data mining, circa 1963 ibm 7090 600 cases“machine storage li

2、mitationsrestricted the total number ofvariables which could beconsidered at one time to 25.”數(shù)據(jù)挖掘是datainformationknowledgewisdom to find / discover / extract / dredge / harvest 、 interesting / novel / useful / implicit / actable / meaningful 、 information / knowledge / patterns / trends / rules / an

3、omalies 、 in massive data / large data set / large database / data warehouse 、data + contextinformation + rulesknowledge + experience多學(xué)科的融合databasesstatisticspatternrecognitionkddmachinelearningaineurocomputingdata miningagenda數(shù)據(jù)挖掘是什么？1模型+算法2數(shù)據(jù)挖掘?qū)嵺`分享3心得與總結(jié)4幾個(gè)基本概念幾個(gè)基本概念n 模型（model） vs 模式（pattern） 數(shù)據(jù)挖掘

4、的根本目的就是把樣本數(shù)據(jù)中隱含的結(jié)構(gòu)泛化（generalize）到總體（population）上去 模型：對(duì)數(shù)據(jù)集的一種全局性的整體特征的描述或概括，適用于數(shù)據(jù)空間中的所有點(diǎn)，例如聚類分析 模式：對(duì)數(shù)據(jù)集的一種局部性的有限特征的描述或概括，適用于數(shù)據(jù)空間的一個(gè)子集，例如關(guān)聯(lián)分析n 算法（algorithm）：一個(gè)定義完備（well-defined）的過程，它以數(shù)據(jù)作為輸入并產(chǎn)生模型或模式形式的輸出n 描述型挖掘（descriptive） vs 預(yù)測(cè)型挖掘（predictive） 描述型挖掘：對(duì)數(shù)據(jù)進(jìn)行概括，以方便的形式呈現(xiàn)數(shù)據(jù)的重要特征 預(yù)測(cè)型挖掘：根據(jù)觀察到的對(duì)象特征值來預(yù)測(cè)它的其他特征值

5、描述型挖掘可以是目的，也可以是手段數(shù)據(jù)挖掘是一個(gè)過程- “from data mining to knowledge discovery in database”. u. fayyad, g.p.shapiro and p.smyth (1996)數(shù)據(jù)挖掘方法論crisp_dm （cross industry standard process for dm） 1998年，由ncrncr、clementineclementine、ohraohra和daimler-benzdaimler-benz的聯(lián)合項(xiàng)目組提出semma sas公司提出的方法 sample, explore, modify, m

6、odel, assess在戰(zhàn)略上使用crisp_dm方法論，在戰(zhàn)術(shù)上應(yīng)用semma方法論工欲善其事必先利其器n 數(shù)據(jù)清洗 填充缺失值, 修均噪聲數(shù)據(jù), 識(shí)別或刪除孤立點(diǎn), 并解決數(shù)據(jù)不一致問題 主要分析方法：分箱（binning）、聚類、回歸n 數(shù)據(jù)集成 多個(gè)數(shù)據(jù)庫、數(shù)據(jù)方或文件的集成n 數(shù)據(jù)變換 規(guī)范化與匯總n 數(shù)據(jù)簡(jiǎn)化 減少數(shù)據(jù)量的同時(shí), 還可以得到相同或相近的分析結(jié)果 主要分析方法：抽樣、主成分分析n 數(shù)據(jù)離散化 數(shù)據(jù)簡(jiǎn)化的一部分, 但非常重要 (尤其對(duì)于數(shù)值型數(shù)據(jù)來說)先來玩玩數(shù)據(jù)（eda）n 探索性數(shù)據(jù)分析（exploratory data analysis, eda） 探索性地查看

7、數(shù)據(jù)，概括數(shù)據(jù)集的結(jié)構(gòu)和關(guān)系 對(duì)數(shù)據(jù)集沒有各種嚴(yán)格假定n 主要任務(wù) 數(shù)據(jù)可視化（a picture is worth a thousand words） 殘差分析（數(shù)據(jù)擬合 + 殘差） 數(shù)據(jù)的重新表達(dá)（什么樣的尺度對(duì)數(shù)抑或平方根會(huì)簡(jiǎn)化分析） 方法的耐抗性（對(duì)數(shù)據(jù)局部不良的不敏感性，如中位數(shù)耐抗甚于均值）n 常見方法 統(tǒng)計(jì)量，如均值、方差、根方差、協(xié)方差、峰度、偏度、相關(guān)系數(shù)等 統(tǒng)計(jì)圖，如餅圖、直方圖、散點(diǎn)圖、箱尾圖等 模型，如聚類數(shù)據(jù)挖掘 = 模型 + 算法你使用過信用卡嗎？ 卡應(yīng)該發(fā)給誰？ 哪些持卡人會(huì)拖欠？ 哪些拖欠的客戶會(huì)還款？影響 資產(chǎn)組合（portfolio）1、根據(jù)歷史，預(yù)測(cè)將來2

8、、目標(biāo)是一個(gè)分類變量3、預(yù)測(cè)結(jié)果是一個(gè)統(tǒng)計(jì)意義下的概率1、哪些人可以發(fā)卡，額度是多少。2、持卡人拖欠的概率是多少3、該對(duì)誰催收分類過程訓(xùn)練集訓(xùn)練集分類學(xué)習(xí)分類學(xué)習(xí)訓(xùn)練集訓(xùn)練集if rank = professoror years 6then tenured = yesjef is yes!分類器分類器物以類聚，人以群分人為地選取細(xì)分維度人為地選取細(xì)分維度 客戶價(jià)值 地域 活躍程度 維度災(zāi)難的發(fā)生維度災(zāi)難的發(fā)生 維度增長(zhǎng) 細(xì)分?jǐn)?shù)目指數(shù)增長(zhǎng) 人腦僅能處理有限的維度市場(chǎng)市場(chǎng)聚類示意n 基于歐氏距離的三維空間中的聚類n 基于質(zhì)心的聚類算法(k-means)|(|),(222jzizjyiyjxixji

9、da1a2b1xyz發(fā)現(xiàn)商品間的關(guān)聯(lián)規(guī)則buy(x,”diapers”) buy(x,”beers”)關(guān)聯(lián)規(guī)則的量度n 支持度：support(a=b)=#ab/#n，表示a和b同時(shí)出現(xiàn)的概率n 期望可信度：support(a)=#a/#n，表示a出現(xiàn)的概率n 置信度：confidence(a=b)=support(a=b)/support(b)n 改善度：lift(a=b)=confidence(a=b)/support(b)名稱描述公式支持度x、y同時(shí)出現(xiàn)的頻率 p(xy) 期望可信度 y出現(xiàn)的頻率 p(y) 置信度x出現(xiàn)的前提下，y出現(xiàn)的頻率p(y|x) 改善度 置信度對(duì)期望可信度的比值

10、 p(y|x)/p(y) 關(guān)聯(lián)規(guī)則的度量n 發(fā)現(xiàn)具有最小置信度和支持度的全部規(guī)則 x y z 支持度(support), s, 事務(wù)中包含x & y & z的概率 置信度(confidence), c, 事務(wù)中包含x & y的條件下, 包含z的條件概率n 令最小支持度為50%, 最小置信度為50%, 則有a c (50%, 66.6%)c a (50%, 100%)顧客購買尿布顧客購買尿布顧客購買兩者顧客購買兩者顧客購買啤酒顧客購買啤酒從算法到應(yīng)用數(shù)據(jù)挖掘廠商挖掘和統(tǒng)計(jì)分析平臺(tái)挖掘和統(tǒng)計(jì)分析平臺(tái)sas emspss clementines+minerstatistic data miner與數(shù)

11、據(jù)庫集成挖掘平臺(tái)與數(shù)據(jù)庫集成挖掘平臺(tái)ibm imoraclencr teradata minersql 2005 dm 行業(yè)運(yùn)用及解決方案行業(yè)運(yùn)用及解決方案unicakxenhncagenda數(shù)據(jù)挖掘是什么？1模型+算法2數(shù)據(jù)挖掘?qū)嵺`分享3心得與總結(jié)4看看qq的流失數(shù)據(jù)流失率2007年3月2007年4月2007年5月2007年6月當(dāng)月活躍總帳戶數(shù)253,668,411255,749,736264,006,894269,060,000當(dāng)月流失老帳戶數(shù)6,572,0876,006,5825,466,8078,217,569當(dāng)月老帳戶流失率2.59%2.35%2.07%3.05%每個(gè)月每個(gè)月5001

12、0005001000萬的老用戶流失，萬的老用戶流失，一年老用戶流失接近一年老用戶流失接近1 1億億, ,實(shí)際自然實(shí)際自然人流失狀況雖然沒有這么嚴(yán)重，但人流失狀況雖然沒有這么嚴(yán)重，但是仍然是一個(gè)驚人的數(shù)據(jù)。是仍然是一個(gè)驚人的數(shù)據(jù)。客戶流失是每客戶流失是每個(gè)行業(yè)每天都個(gè)行業(yè)每天都在面對(duì)的問題在面對(duì)的問題1、建立流失預(yù)測(cè)模型，回答、建立流失預(yù)測(cè)模型，回答客戶是否要流失，何時(shí)流失的客戶是否要流失，何時(shí)流失的問題問題2、通過預(yù)測(cè)模型建立客戶流、通過預(yù)測(cè)模型建立客戶流失管理機(jī)制，更為有效地管理失管理機(jī)制，更為有效地管理流失，而不是去防止流失流失，而不是去防止流失一切從目標(biāo)出發(fā)目標(biāo)變量目標(biāo)變量：即需要根據(jù)業(yè)

13、務(wù)需求確定模型：即需要根據(jù)業(yè)務(wù)需求確定模型需要預(yù)測(cè)的對(duì)象，在需要預(yù)測(cè)的對(duì)象，在qqqq客戶流失模型中即客戶流失模型中即是在業(yè)務(wù)上對(duì)是在業(yè)務(wù)上對(duì)“流失流失”的定義。的定義。沉默客戶數(shù)在4月后區(qū)域穩(wěn)定模型選擇連續(xù)沉默2個(gè)月作為流失的定義目標(biāo)變量的定義：目標(biāo)變量的定義：good：在表現(xiàn)窗口連續(xù)兩個(gè)月有登陸的客戶在表現(xiàn)窗口連續(xù)兩個(gè)月有登陸的客戶bad: 在表現(xiàn)窗口連續(xù)兩個(gè)月都沒有登陸的客戶在表現(xiàn)窗口連續(xù)兩個(gè)月都沒有登陸的客戶intermediate: 在表現(xiàn)窗口其中一個(gè)月有登陸的客戶在表現(xiàn)窗口其中一個(gè)月有登陸的客戶打開觀測(cè)用戶的窗口訓(xùn)練樣本 測(cè)試樣本觀察窗口: 2007年1月2007年3月表現(xiàn)窗口:

14、2007年5月2007年6月time lag: 2007年4月交叉校驗(yàn)樣本觀察窗口: 2007年2月2007年4月表現(xiàn)窗口: 2007年6月2007年7月time lag: 2007年5月觀察窗口表現(xiàn)窗口time lagmm-1m-2m-3m-4m-5m+1m+2m+31觀察窗口：觀察窗口：形成自變量的時(shí)間段。表現(xiàn)窗口表現(xiàn)窗口：形成因變量的時(shí)間段。23time lag：預(yù)留給業(yè)務(wù)部門進(jìn)行相應(yīng)操作的時(shí)間段。123變化幅度特征變量 描述用戶使用量上的變化幅度勾勒出用戶行為的特征基本屬性變量 描述用戶的基本屬性產(chǎn)品使用行為特征 描述用戶使用產(chǎn)品的情況消息業(yè)務(wù)使用行為特征 描述用戶使用消息業(yè)務(wù)的情況音

15、頻業(yè)務(wù)使用行為特征 描述用戶使用音頻業(yè)務(wù)的情況視頻業(yè)務(wù)使用行為特征 描述用戶使用視頻業(yè)務(wù)的情況客戶在線的行為特征 從在線時(shí)長(zhǎng)，登陸次數(shù)，登陸頻率等角度研究用戶的使用行為歸屬地變化的行為特征 描述用戶在某一時(shí)間周期內(nèi)登陸所在地的變化情況中間變量中間變量比例特征變量 描述用戶業(yè)務(wù)使用占比基礎(chǔ)變量基礎(chǔ)變量變量描述變量描述行為趨勢(shì)特征變量 描述用戶的使用行為變化趨勢(shì)變量描述變量描述黃沙吹盡始到金基礎(chǔ)變量和中間變量數(shù)目約為224個(gè)經(jīng)過變量變換后的變量數(shù)目約為1700個(gè)變量篩選使用logistic回歸的stepwise方法進(jìn)行下一步擬合卡方統(tǒng)計(jì)量卡方統(tǒng)計(jì)量 chi square信息價(jià)值信息價(jià)值 infor

16、mation value信息增益信息增益 gain index單變量回歸單變量回歸偏相關(guān)分析偏相關(guān)分析 partial correlationlift曲線曲線十分位十分位樣本數(shù)量樣本數(shù)量liftlift0226,7295.171226,7292.272226,7281.033226,7300.554226,7290.355226,7290.256226,7300.157226,7290.118226,7290.079226,7300.05total2,267,2931roc曲線50%75%建立閉環(huán)的業(yè)務(wù)流程流失客戶分析流失客戶分析數(shù)據(jù)挖掘數(shù)據(jù)挖掘數(shù)據(jù)分析數(shù)據(jù)分析數(shù)據(jù)采集數(shù)據(jù)采集/etl現(xiàn)有流程評(píng)估現(xiàn)有流程評(píng)估計(jì)劃和設(shè)計(jì)挽留行動(dòng)計(jì)劃和設(shè)計(jì)挽留行動(dòng)執(zhí)行挽留行動(dòng)執(zhí)行挽留行動(dòng)評(píng)估挽留結(jié)果評(píng)估挽留結(jié)果調(diào)整應(yīng)用流程調(diào)整應(yīng)用流程agenda數(shù)據(jù)挖掘是什么？1模型+算法2數(shù)據(jù)挖掘?qū)嵺`分享3心得