《騰訊大講堂59數(shù)據(jù)蘊(yùn)含商機(jī),挖掘決勝千里》由會(huì)員分享，可在線閱讀，更多相關(guān)《騰訊大講堂59數(shù)據(jù)蘊(yùn)含商機(jī),挖掘決勝千里（39頁珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、騰 訊 大 講 堂第五十九期研發(fā)管理部大講堂主頁：http:/ 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 limitationsre

2、stricted 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 / anomalies 、 I

3、n 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)挖掘的根本目的就是把樣本數(shù)

4、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 描述型挖掘可以是目的，

5、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, Model, Asses

6、s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(kù)、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） 探索性地查看數(shù)據(jù)，概括數(shù)據(jù)集的結(jié)構(gòu)

7、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、目標(biāo)是一個(gè)分類變量3

8、、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)|(|),(222jzizjyiyjxixjidA1A2B1xyz發(fā)

9、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 P(Y|X)/P(Y

10、) 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(gòu)買尿布顧客購(gòu)買尿布顧客購(gòu)買兩者顧客購(gòu)買兩者顧客購(gòu)買啤酒顧客購(gòu)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)據(jù)庫(kù)集成挖掘平臺(tái)與數(shù)據(jù)

11、庫(kù)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50010005001000萬

12、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)務(wù)需求確定模型：即需要

13、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: 2007年5月2007

14、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)的情況音頻業(yè)務(wù)使用行為特征 描

15、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 Information Valu

16、e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

17、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心得與總結(jié)4幾點(diǎn)心得實(shí)施數(shù)據(jù)挖掘是一個(gè)戰(zhàn)略性舉措Business First, Technique Second數(shù)據(jù)挖掘不是萬能的，沒有它也不是萬萬不能數(shù)據(jù)挖掘是一個(gè)循環(huán)探索的過程參考文獻(xiàn)網(wǎng)絡(luò)資源u u u u u Tecent Research Question & Answer ?聯(lián)系我們聯(lián)系我們RTX：simonjiang TEL：7999RTX：florayi TEL：8889RTX：jeavinqiu TEL：5909RTX：neilliao TEL：4232Thank youThank you ! !