數據挖掘的目的，就是從數據中找到更多的優(yōu)質用戶。
什么是有指導的數據挖掘方法模型？
以及數據挖掘如何構建模型？
在構建一個有指導的數據挖掘模型，首先要理解和定義一些模型試圖估計的目標變量。
在構造有指導的數據挖掘模型的過程中
一、要定義模型的結構和目標。
二、增加響應建模。
三、考慮模型的穩(wěn)定性。
四、通過預測模型、剖析模型來討論模型的穩(wěn)定性。
下面我們將從具體的步驟談起，如何構造一個有指導的數據挖掘模型。
把業(yè)務問題轉換為數據挖掘問題
為以家庭為基礎的企業(yè)客戶設定一個撥打計劃，該計劃將減少客戶的退出率
確定那些網絡交易可能是欺詐
如果葡萄酒和啤酒已停止銷售，列出處于銷售風險的產品
根據當前市場營銷策略，預測未來三年的客戶數量
有指導數據挖掘往往作為一個技術問題，即找到一個模型以解釋一組輸入變量與目標變量的關系。這往往是數據挖掘的中心，但如果目標變量沒有正確的定義以及沒有確定適當的輸入變量。反過來，這些任務又取決于對要解決的業(yè)務問題的理解程度。沒有正確的理解業(yè)務問題就沒辦法把數據轉化為挖掘任務。在技術開始之前，必須認識兩個問題:如何使用結果？以何種方式交付結果？
例如：許多數據挖掘工作旨在提高客戶保留
主動向高風險或高價值的客戶提供一個優(yōu)惠，挽留他們
改變獲取渠道的組合，以利于那些能帶來最忠實客戶的渠道
預測未來幾個月的客戶數量
改變會影響客戶的滿意度的產品的缺陷
有指導的數據挖掘項目可能會產生幾個不同類型的交付形式。交付形式往往是一個報表或充滿圖標和圖形的簡報。交付形式會影響數據挖掘的結果。當我們的目的是提醒銷售驚雷時，產生一個營銷測試的客戶列表是不夠的。所謂的如何交付結果，就是在挖掘結果產生之后，我們要如何給用戶提供這個結果，目的是好的，但實際的過程中會遇到，會遇到我們沒有辦法去交付這個結果。因為，你交付的結果，可能會導致一些本不該流失的客戶，卻流失了。這也是在具體工作之前，我們要考慮的問題。
數據挖掘人員的作用是確保業(yè)務問題的最后表述可以被轉換成一個技術問題。前提是正確的業(yè)務問題。
選擇合適的數據
尋找客戶數據的首要地方就是企業(yè)數據倉庫。倉庫中的數據已經被清洗和核實過，并且多個數據源被整合到一起。一個單一的數據模型有望確保命名相似的字段在整個數據庫和兼容的數據類型中都有相同的含義。企業(yè)數據庫是一個歷史數據庫，新數據不斷的被追加，但歷史數據一直不變。從這一點更有利于做決策支持。
問題在于，在許多企業(yè)組織中，這樣的數據倉庫實際上并不存在，或者存在一個或多個數據倉庫，不符合直接作為規(guī)范的數據用來挖掘。在這種情況下，挖掘人員，必須尋求來自不同的部門的數據庫和業(yè)務系統(tǒng)內的數據。業(yè)務系統(tǒng)數據是指執(zhí)行一個特定的任務，如網站運行，索賠處理，完成呼叫或賬單處理。它們的目標是快速、準確的處理事務，數據可以保存成任何格式。而這些對于沒有數據倉庫的一些企業(yè)來說，這些數據往往是隱藏的很深，需要大量的企業(yè)調度和規(guī)劃來整理這些數據。這也就談到了一個問題：就是數據倉庫對一家企業(yè)的重要性，而建立企業(yè)級數據倉庫，需要的決策不是一個經理就可以完成的，這可能需要企業(yè)級最高領導下令，下面的所有部門全部配合。
數據挖掘工作的方式并不是一直等到完美和干凈的數據才進行下一步工作。雖然需要額外干凈的數據，但是受挖掘必須能夠使用目前的數據，提前入手，開始工作。
多少數據才足夠？
①數據越多越好，更多意味著更好。在建模期間，必須對模型集進行平衡，使得每個結果的數目都相等。如果在一個大規(guī)模的樣本中有一個比例很小的稀有數據，則一個較小的、均衡的樣本會更受歡迎。
②當模型集足以建立良好的、穩(wěn)定的模型時，使它更大將會產生相反的作用，因為這時需要更長時間在更大的模型上去運行，由于數據挖掘是一個反復的過程，這就導致時間的浪費。如果一次建模例程的運行都需要數小時而不是數分鐘，這個時間的消耗就耗不起的。這就導致，在模型確定后，數據并不是越多越好。
需要多久的歷史？
數據挖掘使用過去的數據預測未來。但是，數據需要來自多久的過去？這個沒有定性的回答，這要考慮很多的因素。另一方面，歷史上太久的數據未必對數據挖掘有用，因為市場環(huán)境在變化，特別是當一些外部事件(如監(jiān)管制度的變化)進行了干預時尤其如此。對于許多以客戶為中心的應用，2-3年的歷史是合適的。然而，在這種情況下，客戶關系確實存在有效才被證明是有價值的，那么重要的是什么：最初的渠道是什么？最初的報價是什么？客戶最初怎么支付的等。
數據必須包含什么?
最低限度，數據必須包含有可能有意義的結果的例子。有指導數據挖掘的目的是預測一個特定目標變量的值，但在有指導的數據挖掘中，模型集必須由分類好的數據組成。要區(qū)分哪些人拖欠貸款哪些人不可能拖欠，模型集的每個類都需要有成千上萬的例子。當一個新的申請產生時，他的申請會與過去的客戶的申請進行對比，可以直接把新的申請歸類。這其中隱含的意思：數據可用來形容過去發(fā)生了什么事情，從錯誤總吸取教訓，首先我們必須識別我們已經犯了什么錯。
認識數據
在數據用于構建模型之前，在探索數據上花費時間的重要性通常沒有得到足夠的重視。要在陌生的數據集中利用直覺來感應發(fā)生了什么事情，唯一辦法就是陷入數據之中，你會發(fā)現許多數據質量的問題，并能夠得到啟發(fā)提出在其他情況下不容易被發(fā)現的問題。
檢查分布
在數據庫的初步探索階段，數據可視化工具非常有益，如：散列圖、條形圖、地理地圖、Excel等可視化工具對觀察數據提供了強大的支持。
值與描述的比較
觀察每個變量的值，并把它們與現有文件中的變量描述進行比較。這項工作可以發(fā)現不準確或不完整的數據描述。其實是，你記錄的數據，是否和你要描述的數據一致，這個要先確定。
詢問大問題
如果數據看上去似乎不明智或者不如所愿，記錄下來。數據探索過程的一個重要輸出是對提供該數據的人給出一個問題列表。通常，這些問題將需要進一步研究。對數據的探索的前期工作，判斷字段，含義，是否有用，是否缺失，是否有問題等一系列問題，需要大量的工作，同時也是一件心細的過程。
創(chuàng)建一個模型集
模型集包含建模過程中使用的所有數據。模型集中的一些數據被用來尋找模式，對于一些技術，模型集中的一些數據被用來驗證該模型是否穩(wěn)定。模型集也可用來評估模型的性能。創(chuàng)建一個模型集需要從多個數據源聚合數據以形成客戶簽名，然后準備數據進行分析。
聚合客戶簽名
模型集是一個表或一系列表，每一行表示一個要研究的項目，而字段表示該項目有利于建模的一切。當數據描述客戶時，模型集的行通常稱為客戶簽名。客戶簽名，每個客戶都由他離開的蹤跡唯一確定，你可以利用蹤跡充分的了解每個客戶。
創(chuàng)建一個平衡的樣本
知識發(fā)現算法需通過實例來進行學習。如果沒有足夠數量的關于某個特定類或行為模型的例子，數據挖掘工具無法得出一個預測該類或模式的模型。在這種情況下，利用罕見事件的例子豐富該模型集，提高建模中該事件的概率。如果比較罕見，有兩種方法可以平衡樣本：①分層抽樣。②權重。
時間幀
基于一個時間段內的數據建立模型會增加風險，即學習的知識不真實。結合模型集中的多個時間幀可以消除季節(jié)性因素的影響。由于季節(jié)性影響如此重要，因此應該把它們明確地添加到客戶簽名中。把客戶的信息按照時間細分，或是在相應的數據上打上標簽。
創(chuàng)建一個預測模型
任何客戶標簽在預測變量和目標變量之間都應該有一個時間差。時間可分為，過去、現在、將來。當部署模型時，它能夠使用最近的數據預測未來。
劃分模型集
對于預測模型，一個好主意是測試集所在的時間段與訓練集和驗證集的時間段不同。一個模型的穩(wěn)定性證據在于它在連續(xù)的月份中都能夠良好的運行。來自不同的時間段的測試集，也稱為不合時宜的測試集，雖然這樣的測試集并不總是可用，但是它是驗證模型穩(wěn)定性的一個很好的方法。
聯系客服
