導讀：數(shù)據(jù)挖掘是一種發(fā)現(xiàn)知識的手段。數(shù)據(jù)挖掘要求數(shù)據(jù)分析師通過合理的方法，從數(shù)據(jù)中獲取與挖掘項目相關的知識。
作者：趙仁乾 田建中 葉本華 常國珍
來源：華章科技
數(shù)據(jù)挖掘是一個多學科交叉的產(chǎn)物，涉及統(tǒng)計學、數(shù)據(jù)庫、機器學習、人工智能及模式識別等多種學科，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)挖掘方法分為預測性和描述性兩大類，如下所示。
- 目的：預測性
- 定義：有監(jiān)督學習，分類模型，用一個或多個自變量預測因變量的值 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、判別分析等
- 目的：描述性
- 定義：無監(jiān)督學習，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)品之間的相關性
- 主要算法：聚類、關聯(lián)分析、因子分析、主成分分析、社交網(wǎng)絡分析等
1. 預測性——有監(jiān)督學習
預測性分析指的是用一個或多個自變量預測因變量的值，以歷史數(shù)據(jù)為訓練集，從中學習并建立模型，然后將此模型運用到當前數(shù)據(jù)上，推測結(jié)果。以客戶違約作為預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，如違約損失準備金估計、收入預測等。
有些數(shù)據(jù)挖掘算法在某類應用上表現(xiàn)得更好，如最近鄰域法、支持向量機在決策類應用上表現(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)督學習
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)督的學習過程。區(qū)別于有監(jiān)督的學習，無監(jiān)督學習算法沒有參照指標，需要結(jié)合業(yè)務經(jīng)驗來判斷數(shù)據(jù)分類是否正確。無監(jiān)督學習比較耗時，而且對建模人員的業(yè)務素質(zhì)要求較高。
描述性分析主要應用于以下兩種場景：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)品之間的相關性，主要算法包括樣本聚類、關聯(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)準備、建模、評估和準備工作，如圖1-16所示。
▲圖1-16 CRISP-DM方法論
在實際項目進行過程中，由于使用者的目標背景和興趣不同，有可能打亂各階段順承的關系。
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。箭頭指出了各個階段之間的關聯(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，可以給下一個項目提供指導。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，以形成對探索關系的假設。
3）數(shù)據(jù)準備
該階段包括所有從原始的、未加工的數(shù)據(jù)構造數(shù)據(jù)挖掘所需信息的活動。數(shù)據(jù)準備任務可能被實施多次，而且沒有任何規(guī)定的順序。這些任務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用各種建模技術，同時對參數(shù)進行校準，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。一些技術對數(shù)據(jù)格式有特殊的要求，因此常常需要返回到數(shù)據(jù)準備階段。
5）評估
在模型最后發(fā)布前，根據(jù)商業(yè)目標評估模型和檢查模型建立的各個步驟。此階段的關鍵目的是，確認重要的商業(yè)問題都得到充分考慮。
6）準備工作
模型完成后，由模型使用者（客戶）根據(jù)當時的背景和目標完成情況，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)務問題、環(huán)境評估、數(shù)據(jù)準備、循環(huán)往復的挖掘過程、上線發(fā)布、檢視。其中循環(huán)往復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，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（客戶的某些業(yè)務指標為缺失值，實際上是沒有這個業(yè)務，值應該為“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（相同的交易被記錄兩次）和不及時（銀行客戶的財務數(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)換和標準化，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)督學習使用ROC曲線和提升度等技術指標評估模型的預測能力。
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)挖掘建模框架的3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。
- 信用評分模型中，是否逾期是被預測變量，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、首付占比等指標來衡量。
- 申請欺詐模型的標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、異常高的學歷、異常密集的關系網(wǎng)絡等。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)和學歷沒有造假，因此按照這三個維度對其收入進行標準化之后很容易發(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。
- 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，定義標簽是主體視角。比如營銷預測模型中客戶是否響應，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模型中，入模的特征應該反映客體的成本-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。
當建模人員意識到標簽是自己主觀臆斷的時候，便會對該標簽的選擇更用心；當意識到入模的特征來自客體時，才會從客體的視角出發(fā)更高效地構建特征集。
3. 構建全模型生命周期工作模板
我們在CRIP-DM和SEMMA的基礎上提出“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)務人員的業(yè)務表述
關于作者：趙仁乾，現(xiàn)就職于某知名500強外資企業(yè)的創(chuàng)新實驗室，從事數(shù)據(jù)治理、數(shù)據(jù)平臺開發(fā)、AI應用等工作，研究方向包括數(shù)字化運營、知識圖譜等。
田建中，現(xiàn)就職于某大型商業(yè)銀行大數(shù)據(jù)管理部，對數(shù)據(jù)挖掘在營銷中的應用有深入研究。
葉本華，現(xiàn)某咨詢公司大數(shù)據(jù)總監(jiān)，主要從事企業(yè)級數(shù)據(jù)治理、數(shù)據(jù)倉庫（大數(shù)據(jù)平臺）建設、數(shù)據(jù)中臺以及數(shù)據(jù)智能應用場景和模型設計相關工作。
常國珍，曾任畢馬威咨詢大數(shù)據(jù)總監(jiān)，擁有近20年數(shù)據(jù)挖掘、精益數(shù)據(jù)治理、數(shù)字化運營咨詢經(jīng)驗，是金融信用風險、反欺詐和反洗錢算法領域的專家。
本文摘編自《金融商業(yè)算法建模：基于Python和SAS》，經(jīng)出版方授權發(fā)布。（ISBN：9787111692775）
