工學騰訊大講堂59-數據蘊含商機-挖掘決勝千里課件

騰訊大講堂第五十九期研發(fā)管理部大講堂主頁：/class與講師互動：/group/class騰訊大講堂第五十九期研發(fā)管理部大講堂主頁：http:1數據蘊含商機，挖掘決勝千里騰訊研究院數據分析研究室SimonJiang/江宇聞2009-02-24數據蘊含商機，挖掘決勝千里騰訊研究院數據分析研究室2Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享3心得與總結4Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享33從運籌帷幄到決勝千里…舌戰(zhàn)群儒草船借箭巧借東風火燒赤壁赤壁懷古蘇軾……羽扇綸巾談笑間檣櫓灰飛煙滅......從運籌帷幄到決勝千里…舌戰(zhàn)群儒草船借箭巧借東風火燒赤壁赤壁懷4觀日月之行，察天地之變風雷電雨云云多會下雨刮風會下雨下雨會閃電閃電會打雷……換成它呢？？？觀日月之行，察天地之變風雷電雨云云多會下雨換成它呢？？？5數據爆炸的時代DataMining,circa1963

IBM7090

600cases“Machinestoragelimitationsrestrictedthetotalnumberofvariableswhichcouldbeconsideredatonetimeto25.”數據爆炸的時代DataMining,circa19636數據挖掘是……DataInformationKnowledgeWisdomTofind/discover/extract/dredge/harvest、、、Interesting/novel/useful/implicit/actable/meaningful、、、Information/knowledge/patterns/trends/rules/anomalies、、、Inmassivedata/largedataset/largedatabase/datawarehouse、、、Data+contextInformation+rulesKnowledge+experience數據挖掘是……DataInformationKnowledg7多學科的融合DatabasesStatisticsPatternRecognitionKDDMachineLearningAINeurocomputingDataMining多學科的融合DatabasesStatisticsPatte8Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享3心得與總結4Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享39幾個基本概念模型（Model）vs模式（Pattern）數據挖掘的根本目的就是把樣本數據中隱含的結構泛化（Generalize）到總體（Population）上去模型：對數據集的一種全局性的整體特征的描述或概括，適用于數據空間中的所有點，例如聚類分析模式：對數據集的一種局部性的有限特征的描述或概括，適用于數據空間的一個子集，例如關聯分析算法（Algorithm）：一個定義完備（well-defined）的過程，它以數據作為輸入并產生模型或模式形式的輸出描述型挖掘（Descriptive）vs預測型挖掘（Predictive）描述型挖掘：對數據進行概括，以方便的形式呈現數據的重要特征預測型挖掘：根據觀察到的對象特征值來預測它的其他特征值描述型挖掘可以是目的，也可以是手段幾個基本概念模型（Model）vs模式（Pattern）10數據挖掘是一個過程“fromdataminingtoknowledgediscoveryindatabase”.U.fayyad,G.P.ShapiroandP.Smyth(1996)數據挖掘是一個過程“fromdataminingto11數據挖掘方法論CRISP_DM（CrossIndustryStandardProcessforDM）1998年，由NCR、Clementine、OHRA和Daimler-Benz的聯合項目組提出SEMMASAS公司提出的方法Sample,Explore,Modify,Model,Assess在戰(zhàn)略上使用Crisp_DM方法論，在戰(zhàn)術上應用SEMMA方法論數據挖掘方法論CRISP_DM（CrossIndustr12工欲善其事必先利其器數據清洗填充缺失值,修均噪聲數據,識別或刪除孤立點,并解決數據不一致問題主要分析方法：分箱（Binning）、聚類、回歸數據集成多個數據庫、數據方或文件的集成數據變換規(guī)范化與匯總數據簡化減少數據量的同時,還可以得到相同或相近的分析結果主要分析方法：抽樣、主成分分析數據離散化數據簡化的一部分,但非常重要(尤其對于數值型數據來說)工欲善其事必先利其器數據清洗13先來玩玩數據（EDA）探索性數據分析（ExploratoryDataAnalysis,EDA）探索性地查看數據，概括數據集的結構和關系對數據集沒有各種嚴格假定主要任務數據可視化（apictureisworthathousandwords）殘差分析（數據＝擬合+殘差）數據的重新表達（什么樣的尺度－對數抑或平方根－會簡化分析）方法的耐抗性（對數據局部不良的不敏感性，如中位數耐抗甚于均值）常見方法統(tǒng)計量，如均值、方差、根方差、協方差、峰度、偏度、相關系數等統(tǒng)計圖，如餅圖、直方圖、散點圖、箱尾圖等模型，如聚類先來玩玩數據（EDA）探索性數據分析（Exploratory14數據挖掘=模型+算法分類預測關聯規(guī)則孤立點探測聚類LogisticRegression決策樹神經網絡K-MeansK-ModeSOM（自組織圖）AprioriFP-Growth基于統(tǒng)計基于距離基于偏差數據挖掘=模型+算法分類預測關聯規(guī)則孤立點探測聚類L15你使用過信用卡嗎？卡應該發(fā)給誰？哪些持卡人會拖欠？哪些拖欠的客戶會還款？影響

資產組合（Portfolio）1、根據歷史，預測將來2、目標是一個分類變量3、預測結果是一個統(tǒng)計意義下的概率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、該對誰催收你使用過信用卡嗎？卡應該發(fā)給誰？影響資產組合1、根據歷16分類過程訓練集分類學習訓練集IFrank=‘professor’ORyears>6THENtenured=‘yes’JefisYES!分類器分類過程訓練集分類學習訓練集IFrank=‘profe17物以類聚，人以群分人為地選取細分維度客戶價值地域活躍程度……維度災難的發(fā)生維度增長細分數目指數增長人腦僅能處理有限的維度市場物以類聚，人以群分人為地選取細分維度客戶價值維度災難的發(fā)生維18聚類示意基于歐氏距離的三維空間中的聚類基于質心的聚類算法

(K-Means)A1A2B1xyz聚類示意基于歐氏距離的三維空間中的聚類A1A2B1xyz19發(fā)現商品間的關聯規(guī)則buy(x,”diapers”)buy(x,”beers”)發(fā)現商品間的關聯規(guī)則buy(x,”diapers”)b20關聯規(guī)則的量度支持度：Support(A=>B)=#AB/#N，表示A和B同時出現的概率期望可信度：Support(A)=#A/#N，表示A出現的概率置信度：Confidence(A=>B)=Support(A=>B)/Support(B)改善度：Lift(A=>B)=Confidence(A=>B)/Support(B)名稱描述公式支持度X、Y同時出現的頻率P(X∩Y)期望可信度Y出現的頻率P(Y)置信度X出現的前提下，Y出現的頻率P(Y|X)改善度置信度對期望可信度的比值P(Y|X)/P(Y)關聯規(guī)則的量度支持度：Support(A=>B)=#AB/#21關聯規(guī)則的度量發(fā)現具有最小置信度和支持度的全部規(guī)則X^YZ支持度(support),s,事務中包含{X&Y&Z}的概率置信度(confidence),c,事務中包含{X&Y}的條件下,包含Z的條件概率令最小支持度為50%,最小置信度為50%,則有AC(50%,66.6%)CA(50%,100%)顧客購買尿布顧客購買兩者顧客購買啤酒關聯規(guī)則的度量發(fā)現具有最小置信度和支持度的全部規(guī)則X^22從算法到應用從算法到應用23數據挖掘廠商挖掘和統(tǒng)計分析平臺SASEMSPSSClementineS+MinerStatisticDataMiner與數據庫集成挖掘平臺IBMIMOracleNCRTeradataMinerSQL2005DM

行業(yè)運用及解決方案UnicaKXENHNC數據挖掘廠商挖掘和統(tǒng)計分析平臺SASEM與數據庫集成挖掘平24Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享3心得與總結4Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享325看看QQ的流失數據流失率2007年3月2007年4月2007年5月2007年6月當月活躍總帳戶數253,668,411255,749,736264,006,894269,060,000當月流失老帳戶數6,572,0876,006,5825,466,8078,217,569當月老帳戶流失率2.59%2.35%2.07%3.05%每個月500~1000萬的老用戶流失，一年老用戶流失接近1億,實際自然人流失狀況雖然沒有這么嚴重，但是仍然是一個驚人的數據?？蛻袅魇敲總€行業(yè)每天都在面對的問題1、建立流失預測模型，回答客戶是否要流失，何時流失的問題2、通過預測模型建立客戶流失管理機制，更為有效地管理流失，而不是去防止流失看看QQ的流失數據流失率2007年3月2007年4月200726一切從目標出發(fā)目標變量：即需要根據業(yè)務需求確定模型需要預測的對象，在QQ客戶流失模型中即是在業(yè)務上對“流失”的定義。沉默客戶數在4月后區(qū)域穩(wěn)定模型選擇連續(xù)沉默2個月作為流失的定義目標變量的定義：Good：在表現窗口連續(xù)兩個月有登陸的客戶Bad:

在表現窗口連續(xù)兩個月都沒有登陸的客戶Intermediate:

在表現窗口其中一個月有登陸的客戶一切從目標出發(fā)目標變量：即需要根據業(yè)務需求確定模型需要預測的27打開觀測用戶的窗口訓練樣本\測試樣本觀察窗口:2007年1月—2007年3月表現窗口:2007年5月—2007年6月TimeLag:2007年4月交叉校驗樣本觀察窗口:2007年2月—2007年4月表現窗口:2007年6月—2007年7月TimeLag:2007年5月觀察窗口表現窗口TimeLagMM-1M-2M-3M-4M-5M+1M+2M+31觀察窗口：形成自變量的時間段。表現窗口：形成因變量的時間段。23TimeLag：預留給業(yè)務部門進行相應操作的時間段。123打開觀測用戶的窗口訓練樣本\測試樣本觀察窗口表現窗口Ti28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品使用行為特征描述用戶使用產品的情況消息業(yè)務使用行為特征描述用戶使用消息業(yè)務的情況音頻業(yè)務使用行為特征描述用戶使用音頻業(yè)務的情況視頻業(yè)務使用行為特征描述用戶使用視頻業(yè)務的情況客戶在線的行為特征從在線時長，登陸次數，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間周期內登陸所在地的變化情況中間變量比例特征變量描述用戶業(yè)務使用占比基礎變量變量描述行為趨勢特征變量描述用戶的使用行為變化趨勢變量描述變化幅度特征變量29黃沙吹盡始到金基礎變量和中間變量數目約為224個經過變量變換后的變量數目約為1700個變量篩選使用Logistic回歸的Stepwise方法進行下一步擬合卡方統(tǒng)計量ChiSquare信息價值InformationValue信息增益

GainIndex單變量回歸偏相關分析PartialCorrelation黃沙吹盡始到金基礎變量和中間變量數目約為224個變量篩選使用30Lift曲線十分位樣本數量Lift0226,7295.171226,7292.272226,7281.033226,7300.554226,7290.355226,7290.256226,7300.157226,7290.118226,7290.079226,7300.05Total2,267,2931Lift曲線十分位樣本數量Lift0226,7295.17131ROC曲線>50%>75%ROC曲線>50%>75%32建立閉環(huán)的業(yè)務流程流失客戶分析數據挖掘數據分析數據采集/ETL現有流程評估計劃和設計挽留行動執(zhí)行挽留行動評估挽留結果調整應用流程建立閉環(huán)的業(yè)務流程流失客戶分析數據挖掘數據分析數據采集/ET33Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享3心得與總結4Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享334幾點心得實施數據挖掘是一個戰(zhàn)略性舉措BusinessFirst,TechniqueSecond數據挖掘不是萬能的，沒有它也不是萬萬不能數據挖掘是一個循環(huán)探索的過程幾點心得實施數據挖掘是一個戰(zhàn)略性舉措BusinessFir35參考文獻參考文獻36網絡資源

網絡資源www.dmres37TecentResearch

Question&Answer?TecentResearchQuestion&Ans38聯系我們RTX：simonjiang TEL：7999RTX：florayi TEL：8889RTX：jeavinqiu TEL：5909RTX：neilliao TEL：4232Thankyou

!!聯系我們RTX：simonjiang TEL：7999T39騰訊大講堂第五十九期研發(fā)管理部大講堂主頁：/class與講師互動：/group/class騰訊大講堂第五十九期研發(fā)管理部大講堂主頁：http:40數據蘊含商機，挖掘決勝千里騰訊研究院數據分析研究室SimonJiang/江宇聞2009-02-24數據蘊含商機，挖掘決勝千里騰訊研究院數據分析研究室41Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享3心得與總結4Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享342從運籌帷幄到決勝千里…舌戰(zhàn)群儒草船借箭巧借東風火燒赤壁赤壁懷古蘇軾……羽扇綸巾談笑間檣櫓灰飛煙滅......從運籌帷幄到決勝千里…舌戰(zhàn)群儒草船借箭巧借東風火燒赤壁赤壁懷43觀日月之行，察天地之變風雷電雨云云多會下雨刮風會下雨下雨會閃電閃電會打雷……換成它呢？？？觀日月之行，察天地之變風雷電雨云云多會下雨換成它呢？？？44數據爆炸的時代DataMining,circa1963

IBM7090

600cases“Machinestoragelimitationsrestrictedthetotalnumberofvariableswhichcouldbeconsideredatonetimeto25.”數據爆炸的時代DataMining,circa196345數據挖掘是……DataInformationKnowledgeWisdomTofind/discover/extract/dredge/harvest、、、Interesting/novel/useful/implicit/actable/meaningful、、、Information/knowledge/patterns/trends/rules/anomalies、、、Inmassivedata/largedataset/largedatabase/datawarehouse、、、Data+contextInformation+rulesKnowledge+experience數據挖掘是……DataInformationKnowledg46多學科的融合DatabasesStatisticsPatternRecognitionKDDMachineLearningAINeurocomputingDataMining多學科的融合DatabasesStatisticsPatte47Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享3心得與總結4Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享348幾個基本概念模型（Model）vs模式（Pattern）數據挖掘的根本目的就是把樣本數據中隱含的結構泛化（Generalize）到總體（Population）上去模型：對數據集的一種全局性的整體特征的描述或概括，適用于數據空間中的所有點，例如聚類分析模式：對數據集的一種局部性的有限特征的描述或概括，適用于數據空間的一個子集，例如關聯分析算法（Algorithm）：一個定義完備（well-defined）的過程，它以數據作為輸入并產生模型或模式形式的輸出描述型挖掘（Descriptive）vs預測型挖掘（Predictive）描述型挖掘：對數據進行概括，以方便的形式呈現數據的重要特征預測型挖掘：根據觀察到的對象特征值來預測它的其他特征值描述型挖掘可以是目的，也可以是手段幾個基本概念模型（Model）vs模式（Pattern）49數據挖掘是一個過程“fromdataminingtoknowledgediscoveryindatabase”.U.fayyad,G.P.ShapiroandP.Smyth(1996)數據挖掘是一個過程“fromdataminingto50數據挖掘方法論CRISP_DM（CrossIndustryStandardProcessforDM）1998年，由NCR、Clementine、OHRA和Daimler-Benz的聯合項目組提出SEMMASAS公司提出的方法Sample,Explore,Modify,Model,Assess在戰(zhàn)略上使用Crisp_DM方法論，在戰(zhàn)術上應用SEMMA方法論數據挖掘方法論CRISP_DM（CrossIndustr51工欲善其事必先利其器數據清洗填充缺失值,修均噪聲數據,識別或刪除孤立點,并解決數據不一致問題主要分析方法：分箱（Binning）、聚類、回歸數據集成多個數據庫、數據方或文件的集成數據變換規(guī)范化與匯總數據簡化減少數據量的同時,還可以得到相同或相近的分析結果主要分析方法：抽樣、主成分分析數據離散化數據簡化的一部分,但非常重要(尤其對于數值型數據來說)工欲善其事必先利其器數據清洗52先來玩玩數據（EDA）探索性數據分析（ExploratoryDataAnalysis,EDA）探索性地查看數據，概括數據集的結構和關系對數據集沒有各種嚴格假定主要任務數據可視化（apictureisworthathousandwords）殘差分析（數據＝擬合+殘差）數據的重新表達（什么樣的尺度－對數抑或平方根－會簡化分析）方法的耐抗性（對數據局部不良的不敏感性，如中位數耐抗甚于均值）常見方法統(tǒng)計量，如均值、方差、根方差、協方差、峰度、偏度、相關系數等統(tǒng)計圖，如餅圖、直方圖、散點圖、箱尾圖等模型，如聚類先來玩玩數據（EDA）探索性數據分析（Exploratory53數據挖掘=模型+算法分類預測關聯規(guī)則孤立點探測聚類LogisticRegression決策樹神經網絡K-MeansK-ModeSOM（自組織圖）AprioriFP-Growth基于統(tǒng)計基于距離基于偏差數據挖掘=模型+算法分類預測關聯規(guī)則孤立點探測聚類L54你使用過信用卡嗎？卡應該發(fā)給誰？哪些持卡人會拖欠？哪些拖欠的客戶會還款？影響

資產組合（Portfolio）1、根據歷史，預測將來2、目標是一個分類變量3、預測結果是一個統(tǒng)計意義下的概率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、該對誰催收你使用過信用卡嗎？卡應該發(fā)給誰？影響資產組合1、根據歷55分類過程訓練集分類學習訓練集IFrank=‘professor’ORyears>6THENtenured=‘yes’JefisYES!分類器分類過程訓練集分類學習訓練集IFrank=‘profe56物以類聚，人以群分人為地選取細分維度客戶價值地域活躍程度……維度災難的發(fā)生維度增長細分數目指數增長人腦僅能處理有限的維度市場物以類聚，人以群分人為地選取細分維度客戶價值維度災難的發(fā)生維57聚類示意基于歐氏距離的三維空間中的聚類基于質心的聚類算法

(K-Means)A1A2B1xyz聚類示意基于歐氏距離的三維空間中的聚類A1A2B1xyz58發(fā)現商品間的關聯規(guī)則buy(x,”diapers”)buy(x,”beers”)發(fā)現商品間的關聯規(guī)則buy(x,”diapers”)b59關聯規(guī)則的量度支持度：Support(A=>B)=#AB/#N，表示A和B同時出現的概率期望可信度：Support(A)=#A/#N，表示A出現的概率置信度：Confidence(A=>B)=Support(A=>B)/Support(B)改善度：Lift(A=>B)=Confidence(A=>B)/Support(B)名稱描述公式支持度X、Y同時出現的頻率P(X∩Y)期望可信度Y出現的頻率P(Y)置信度X出現的前提下，Y出現的頻率P(Y|X)改善度置信度對期望可信度的比值P(Y|X)/P(Y)關聯規(guī)則的量度支持度：Support(A=>B)=#AB/#60關聯規(guī)則的度量發(fā)現具有最小置信度和支持度的全部規(guī)則X^YZ支持度(support),s,事務中包含{X&Y&Z}的概率置信度(confidence),c,事務中包含{X&Y}的條件下,包含Z的條件概率令最小支持度為50%,最小置信度為50%,則有AC(50%,66.6%)CA(50%,100%)顧客購買尿布顧客購買兩者顧客購買啤酒關聯規(guī)則的度量發(fā)現具有最小置信度和支持度的全部規(guī)則X^61從算法到應用從算法到應用62數據挖掘廠商挖掘和統(tǒng)計分析平臺SASEMSPSSClementineS+MinerStatisticDataMiner與數據庫集成挖掘平臺IBMIMOracleNCRTeradataMinerSQL2005DM

行業(yè)運用及解決方案UnicaKXENHNC數據挖掘廠商挖掘和統(tǒng)計分析平臺SASEM與數據庫集成挖掘平63Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享3心得與總結4Agenda數據挖掘是什么？1模型+算法2數據挖掘實踐分享364看看QQ的流失數據流失率2007年3月2007年4月2007年5月2007年6月當月活躍總帳戶數253,668,411255,749,736264,006,894269,060,000當月流失老帳戶數6,572,0876,006,5825,466,8078,217,569當月老帳戶流失率2.59%2.35%2.07%3.05%每個月500~1000萬的老用戶流失，一年老用戶流失接近1億,實際自然人流失狀況雖然沒有這么嚴重，但是仍然是一個驚人的數據?？蛻袅魇敲總€行業(yè)每天都在面對的問題1、建立流失預測模型，回答客戶是否要流失，何時流失的問題2、通過預測模型建立客戶流失管理機制，更為有效地管理流失，而不是去防止流失看看QQ的流失數據流失率2007年3月2007年4月200765一切從目標出發(fā)目標變量：即需要根據業(yè)務需求確定模型需要預測的對象，在QQ客戶流失模型中即是在業(yè)務上對“流失”的定義。沉默客戶數在4月后區(qū)域穩(wěn)定模型選擇連續(xù)沉默2個月作為流失的定義目標變量的定義：Good：在表現窗口連續(xù)兩個月有登陸的客戶Bad:

在表現窗口連續(xù)兩個月都沒有登陸的客戶Intermediate:

在表現窗口其中一個月有登陸的客戶一切從目標出發(fā)目標變量：即需要根據業(yè)務需求確定模型需要預測的66打開觀測用戶的窗口訓練樣本\測試樣本觀察窗口:2007年1月—2007年3月表現窗口:2007年5月—2007年6月TimeLag:2007年4月交叉校驗樣本觀察窗口:2007年2月—2007年4月表現窗口:2007年6月—2007年7月TimeLag:2007年5月觀察窗口表現窗口TimeLagMM-1M-2M-3M-4M-5M+1M+2M+31觀察窗口：形成自變量的時間段。表現窗口：形成因變量的時間段。23TimeLag：預留給業(yè)務部門進行相應操作的時間段。123打開觀測用戶的窗口訓練樣本\測試樣本觀察窗口表現窗口Ti67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品使用行為特征描述用戶使用產品的情況消息業(yè)務使用行為特征描述用戶使用消息業(yè)務的情況音頻業(yè)務使用行為特征描述用戶使用音頻業(yè)務的情況視頻業(yè)務使用行為特征