大數(shù)據(jù)應(yīng)用有幾個方面，一個是效率提升，幫助企業(yè)提升數(shù)據(jù)處理效率，降低數(shù)據(jù)存儲成本。另外一個是對業(yè)務(wù)作出指導(dǎo)，例如精準(zhǔn)營銷，反欺詐，風(fēng)險管理以及業(yè)務(wù)提升。過去企業(yè)都是通過線下渠道接觸客戶，客戶數(shù)據(jù)不全，只能利用財務(wù)數(shù)據(jù)進行業(yè)務(wù)運營分析，缺少圍繞客戶的個人數(shù)據(jù)，數(shù)據(jù)分析應(yīng)用的領(lǐng)域集中在企業(yè)內(nèi)部經(jīng)營和財務(wù)分析。

數(shù)字時代到來之后，企業(yè)經(jīng)營的各個階段都可以被記錄下來，產(chǎn)品銷售的各個環(huán)節(jié)也被記錄下來，客戶的消費行為和網(wǎng)上行為都被采集下來。企業(yè)擁有了多維度的數(shù)據(jù)，包括產(chǎn)品銷售數(shù)據(jù)、客戶消費數(shù)據(jù)、客戶行為數(shù)據(jù)、企業(yè)運營數(shù)據(jù)等。擁有數(shù)據(jù)之后，數(shù)據(jù)分析成為可能，企業(yè)成立了數(shù)據(jù)分析團隊整理數(shù)據(jù)和建立模型，找到商品和客戶之間的關(guān)聯(lián)關(guān)系，商品之間關(guān)聯(lián)關(guān)系，另外也找到了收入和客戶之間的關(guān)聯(lián)關(guān)系。典型的數(shù)據(jù)分析案例如沃爾瑪啤酒和尿布、蛋撻和手電筒，Target的判斷16歲少女懷孕都是這種關(guān)聯(lián)關(guān)系的體現(xiàn)。

關(guān)聯(lián)分析是統(tǒng)計學(xué)應(yīng)用最早的領(lǐng)域，早在1846年倫敦第二次霍亂期間，約翰醫(yī)生利用霍亂地圖找到了霍亂的傳播途徑，平息了倫敦霍亂，打敗了霍亂源于空氣污染說的精英，拯救了幾萬人的生命。倫敦霍亂平息過程中，約翰醫(yī)生利用了頻數(shù)分布分析，建立了霍亂地圖，從死亡案例分布的密集程度上歸納出病人分布同水井的關(guān)系，從而推斷出污染的水源是霍亂的主要傳播途徑，建議移除水井手柄，降低了霍亂發(fā)生的概率。

另外一個典型案例是第二次世界大戰(zhàn)期間，統(tǒng)計分析學(xué)家改造轟炸機。英美聯(lián)盟從1943年開始對德國的工業(yè)城市進行轟炸，但在1943年年底，轟炸機的損失率達(dá)到了英美聯(lián)盟不能承受的程度。轟炸軍司令部請來了統(tǒng)計學(xué)家，希望利用數(shù)據(jù)分析來改造轟炸機的結(jié)構(gòu)，降低陣亡率，提高士兵生還率。統(tǒng)計學(xué)家利用大尺寸的飛機模型，詳細(xì)記錄了返航轟炸機的損傷情況。統(tǒng)計學(xué)家在飛機模型上將轟炸機受到攻擊的部位用黑筆標(biāo)注出來，兩個月后，這些標(biāo)注布滿了機身，有的地方標(biāo)注明顯多于其他地方，例如機身和側(cè)翼。有的地方的標(biāo)注明顯少于其他地方，例如駕駛室和發(fā)動機。統(tǒng)計學(xué)家讓軍火商來看這個模型，軍火商認(rèn)為應(yīng)該加固受到更多攻擊的地方，但是統(tǒng)計學(xué)家建議對標(biāo)注少的地方進行加固，標(biāo)注少的原因不是這些地方不容易被擊中，而是被擊中的這些地方的飛機，很多都沒有返航。這些標(biāo)注少的地方被擊中是飛機墜毀的一個主要原因。軍火商按照統(tǒng)計學(xué)家的建議進行了飛機加固，大大提高了轟炸機返航的比率。以二戰(zhàn)著名的B－17轟炸機為例，其陣亡率由26%降到了7%，幫助美軍節(jié)約了幾億美金，大大提高了士兵的生還率。

一、數(shù)據(jù)分析中的角色和職責(zé)

數(shù)據(jù)分析團隊?wèi)?yīng)該在科技部門內(nèi)部還在業(yè)務(wù)部門內(nèi)部一直存在爭議。在業(yè)務(wù)部門內(nèi)部，對數(shù)據(jù)場景比較了解，容易找到數(shù)據(jù)變現(xiàn)的場景，數(shù)據(jù)分析對業(yè)務(wù)提升幫助較大，容易出成績。但是弊端是僅僅對自己部門的業(yè)務(wù)數(shù)據(jù)了解，分析只是局限獨立的業(yè)務(wù)單元之內(nèi)，在數(shù)據(jù)獲取的效率上，數(shù)據(jù)維度和數(shù)據(jù)視角方面缺乏全局觀，數(shù)據(jù)的商業(yè)視野不大，對公司整體業(yè)務(wù)的推動發(fā)展有限。業(yè)務(wù)部門的數(shù)據(jù)分析團隊缺少數(shù)據(jù)技術(shù)能力，無法利用最新的大數(shù)據(jù)計算和分析技術(shù)，來實現(xiàn)數(shù)據(jù)分析和建模。數(shù)據(jù)分析和計算依賴于科技部門，效率較低，無法打通各個環(huán)節(jié)和實現(xiàn)效率和收益最優(yōu)。

數(shù)據(jù)分析和挖掘部門位于科技部門，優(yōu)點是直接可以了解所有數(shù)據(jù)，利用最新的大數(shù)據(jù)計算分析技術(shù)來進行數(shù)據(jù)分析和建模，數(shù)據(jù)視野好。面對全局?jǐn)?shù)據(jù)建立數(shù)據(jù)采集和分析系統(tǒng)，系統(tǒng)復(fù)用程度高，降低重復(fù)投資，效率高。但是團隊人員商業(yè)敏感度低，過度關(guān)注技術(shù)和架構(gòu)，重視技術(shù)的領(lǐng)先和處理效率，數(shù)據(jù)商業(yè)敏感度低，不重視數(shù)據(jù)商業(yè)化場景，對業(yè)務(wù)理解程度不夠，支持力度不如前者。科技部門愿意搭建一個大數(shù)據(jù)平臺，讓業(yè)務(wù)部門自己去尋數(shù)據(jù)場景，業(yè)務(wù)部門在數(shù)據(jù)商業(yè)化過程中也會遇到環(huán)節(jié)不暢通，效率低下的問題。

數(shù)據(jù)分析團隊?wèi)?yīng)該屬于獨立的部門，為所有的業(yè)務(wù)部門提供服務(wù)，具有獨立的技術(shù)團隊，可以搭建獨立的大數(shù)據(jù)計算和分析平臺，利用最新的數(shù)據(jù)處理技術(shù)來建立模型進行分析。另外數(shù)據(jù)分析團隊的人應(yīng)來源于業(yè)務(wù)部門，具有高度的數(shù)據(jù)商業(yè)敏感度，可以將業(yè)務(wù)部門的需求分解為數(shù)據(jù)需求，將業(yè)務(wù)場景同數(shù)據(jù)場景以及數(shù)據(jù)分析相結(jié)合起來。

數(shù)據(jù)分析是一項實踐性很強的工作，涉及到很多交叉學(xué)科，需要不同的崗位和角色，來實現(xiàn)不同的性質(zhì)的工作。基本的崗位和角色如下

1數(shù)據(jù)庫（倉庫）管理員DBA

DBA最了解企業(yè)內(nèi)部的數(shù)據(jù)和可用的數(shù)據(jù)資源，包括數(shù)據(jù)的存儲細(xì)節(jié)和數(shù)據(jù)字典，另外其對數(shù)據(jù)的采集、清洗和轉(zhuǎn)化起到關(guān)鍵作用。

DBA為數(shù)據(jù)科學(xué)家和數(shù)據(jù)分析師提供加工好的原始數(shù)據(jù)，這些數(shù)據(jù)是數(shù)據(jù)分析和建模的基礎(chǔ)，DBA做了數(shù)據(jù)分析工作中最重要的基礎(chǔ)工作，完成了大量的臟活和累活。

2業(yè)務(wù)專家

業(yè)務(wù)專家的優(yōu)勢是數(shù)據(jù)的商業(yè)敏感度，了解業(yè)務(wù)需求，可以將業(yè)務(wù)需求轉(zhuǎn)化為數(shù)據(jù)需求，進一步找到數(shù)據(jù)應(yīng)用場景。另外業(yè)務(wù)專家也可以通過對數(shù)據(jù)的分析，找到新的商業(yè)機會，同業(yè)務(wù)部門一起制定商業(yè)計劃，利用數(shù)據(jù)分析推動業(yè)務(wù)增長。

業(yè)務(wù)專家的經(jīng)驗對于數(shù)據(jù)分析和建模是非常關(guān)鍵的，他們可能是風(fēng)險管理人員、欺詐監(jiān)測專家、投資專家等。數(shù)據(jù)建模來源于業(yè)務(wù)經(jīng)驗和業(yè)務(wù)知識，正是業(yè)務(wù)專家的專業(yè)分析找到了業(yè)務(wù)規(guī)律，從而找到了建模方向，并對建模工作給出建議和解釋。

3數(shù)據(jù)科學(xué)家

過去統(tǒng)計分析依賴于統(tǒng)計分析工具，大數(shù)據(jù)時代之后，數(shù)據(jù)量級的提升和數(shù)據(jù)類型的復(fù)雜程度，讓很多傳統(tǒng)的統(tǒng)計分析工具無法完成分析計算。這個時候，數(shù)據(jù)科學(xué)家出現(xiàn)了，他們可以利用自己的專業(yè)技能幫助業(yè)務(wù)專家和數(shù)據(jù)分析人員進行建模和計算。

過去數(shù)據(jù)統(tǒng)計分析建模常用SPSS，SAS，MATLAB等工具，現(xiàn)在基于大數(shù)據(jù)平臺的分析建?？梢允褂肧park＋Scala／Python／R／Java。數(shù)據(jù)科學(xué)家了解模型和算法，可以直接承擔(dān)建模和調(diào)優(yōu)工作，懂得選擇合適的算法來進行計算，提高效率。

4數(shù)據(jù)分析師

數(shù)據(jù)分析師站在數(shù)據(jù)和商業(yè)的角度來解讀數(shù)據(jù)，利用圖標(biāo)和曲線等方式向管理層和業(yè)務(wù)人員展現(xiàn)分析結(jié)果，揭示數(shù)據(jù)分析產(chǎn)生的商業(yè)機會和挑戰(zhàn)。

數(shù)據(jù)分析師將雜亂的數(shù)據(jù)進行整理后，將數(shù)據(jù)以不同的形式展現(xiàn)給產(chǎn)品經(jīng)理、運營人員、營銷人員、財務(wù)人員、業(yè)務(wù)人員等。提出基于數(shù)據(jù)的結(jié)果和分析建議，完成數(shù)據(jù)從原始到商業(yè)化應(yīng)用到關(guān)鍵一步，數(shù)據(jù)分析師的數(shù)據(jù)敏感度、商業(yè)敏感度、分析角度、表達(dá)方式對于商業(yè)決策很重要。

5運營專家

數(shù)據(jù)分析結(jié)果和商業(yè)決策出來之后，運營專家負(fù)責(zé)實現(xiàn)商業(yè)決策。通過有計劃的運營活動，將數(shù)據(jù)分析的結(jié)果應(yīng)用到實際的商業(yè)活動之中，運營專家是實現(xiàn)數(shù)據(jù)變現(xiàn)最后一公里的關(guān)鍵人物。

運營專家屬于業(yè)務(wù)人員，實際上參與業(yè)務(wù)運營活動，利用數(shù)據(jù)分析結(jié)果，實現(xiàn)業(yè)務(wù)場景和數(shù)據(jù)場景的結(jié)合，實現(xiàn)數(shù)據(jù)商業(yè)化應(yīng)用。

二、數(shù)據(jù)分析之前的各項準(zhǔn)備工作

數(shù)據(jù)分析團隊各成員確定之后，將進行下一項工作，就是找到有價值的數(shù)據(jù)進行分析了。數(shù)據(jù)是分析的基礎(chǔ)，因此數(shù)據(jù)的質(zhì)量、數(shù)據(jù)的相關(guān)度、數(shù)據(jù)的維度等會影響數(shù)據(jù)分析的結(jié)果影，其中GIGO（垃圾進垃圾出）對于數(shù)據(jù)分析結(jié)果影響最大。

1數(shù)據(jù)源選擇

數(shù)據(jù)分析團隊面對大量的數(shù)據(jù)源，各個數(shù)據(jù)源之間交叉聯(lián)系，各個數(shù)據(jù)域之間具有邏輯關(guān)系，各個產(chǎn)品統(tǒng)計口徑不同，不同的時間段數(shù)值不同等。這一系列問題多會影響數(shù)據(jù)分析結(jié)果，因此確定數(shù)據(jù)源選擇和數(shù)據(jù)整理至關(guān)重要。

DBA可以基于數(shù)據(jù)分析需要，找到相關(guān)數(shù)據(jù)，建立一張數(shù)據(jù)寬表，將數(shù)據(jù)倉庫的數(shù)據(jù)引入到這張寬表當(dāng)中，基于一定的邏輯關(guān)系進行匯總計算。這張寬表作為數(shù)據(jù)分析的基礎(chǔ)，然后再依據(jù)數(shù)據(jù)分析需要衍生出一些不同的表單，為數(shù)據(jù)分析提供干凈全面的數(shù)據(jù)源。寬表一方面是用于集中相關(guān)分析數(shù)據(jù)，一方面是提高效率，不需要每次分析時都查詢其他的數(shù)據(jù)表，影響數(shù)據(jù)倉庫效率。

2數(shù)據(jù)抽樣選擇

簡單的數(shù)據(jù)分析可以調(diào)用全體數(shù)據(jù)進行分析，數(shù)據(jù)抽樣主要用于建模分析，抽樣需考慮樣本具有代表性，覆蓋各種客戶類型，抽樣的時間也很重要，越近的時間窗口越有利于分析和預(yù)測。在進行分層抽樣時，需要保證分成出來的樣本比例同原始數(shù)據(jù)基本一致。

3數(shù)據(jù)類型選擇

數(shù)據(jù)類型分為連續(xù)型和離散型，建模分析時需要確定數(shù)據(jù)類型。進行業(yè)務(wù)收入趨勢分析、銷售額預(yù)測分析、RFM分析時，一般采用連續(xù)型變量。信用評級、分類預(yù)測時一般采用離散變量。

4缺失值處理

數(shù)據(jù)分析過程中會面對很多缺失值，其產(chǎn)生原因不同，有的是由于隱私的原因，故意隱去。有的是變量本身就沒有數(shù)值，有的是數(shù)據(jù)合并時不當(dāng)操作產(chǎn)生的數(shù)據(jù)缺失。

缺失值處理可以采用替代法（估值法），利用已知經(jīng)驗值代替缺失值，維持缺失值不變和刪除缺失值等方法。具體方法將參考變量和自變量的關(guān)系以及樣本量的多少來決定。

5異常值檢測和處理

異常值對于某些數(shù)據(jù)分析結(jié)果影響很大，例如聚類分析、線性回歸（邏輯回歸）。但是對決策樹、神經(jīng)網(wǎng)絡(luò)、SVM支持向量機影響較小。

一般異常值是指明顯偏離觀測值的平均值，例如年齡為200歲，平均收入為10萬元時，有個異常值為300萬元。第一個異常值為無效異常值，需要刪掉，但是第二個異常值可能屬于有效異常值，可以根據(jù)經(jīng)驗來決定是否保留或刪掉。

6數(shù)據(jù)標(biāo)準(zhǔn)化

數(shù)據(jù)標(biāo)準(zhǔn)化的目的是將不同性質(zhì)、不同量級的數(shù)據(jù)進行指數(shù)化處理，調(diào)整到可以類比的范圍。例如在建立邏輯回歸模型時，性別的取值是0或以，但是收入取值可能就是0-100萬，跨度較大，需要進行標(biāo)準(zhǔn)化。

一般可以采用最佳／最大標(biāo)準(zhǔn)化（Min－Max標(biāo)準(zhǔn)化法）將數(shù)值定在0和1之間，便于計算。Z分?jǐn)?shù)法和小數(shù)定標(biāo)標(biāo)準(zhǔn)化法也可以采用。

7數(shù)據(jù)粗分類（Categorization）處理

歸類和分類的目的是減少樣本的變量，常有的方法由等間距分類，等頻數(shù)分類?？梢砸罁?jù)經(jīng)驗將自變量分成幾類，分類的方法可以不同，建議采用卡方檢驗來決定采用哪種分類方法。連續(xù)型變量可以用WOE變化方法來簡化模型，但降低了模型的可解釋性。

8變量選擇

數(shù)據(jù)分析過程中會面對成百上千的變量，一般情況下只有少數(shù)變量同目標(biāo)變量有關(guān)，有助于提高預(yù)測精度。通常建模分析時，有意義的變量不會超過10-15個，稱他們?yōu)閺娤嚓P(guān)變量（聰明變量）?？梢岳米兞窟^濾器的方法來選擇變量。常見的變量過濾器應(yīng)用場景如下。

三、數(shù)據(jù)分析過程

1向業(yè)務(wù)部門進行調(diào)研，了解業(yè)務(wù)需要解決的問題，將業(yè)務(wù)問題映射成數(shù)據(jù)分析工作和任務(wù)

2調(diào)研企業(yè)內(nèi)外部數(shù)據(jù)，找到分析需要的數(shù)據(jù)，將數(shù)據(jù)匯聚到一個特定的區(qū)域，數(shù)據(jù)集市或數(shù)據(jù)倉庫，探索性分析

3數(shù)據(jù)清洗，包括檢查數(shù)據(jù)的一致性，處理異常值和缺失值，刪除重復(fù)數(shù)據(jù)等

4數(shù)據(jù)轉(zhuǎn)換，例如數(shù)據(jù)分箱（Binning），將字符型變量轉(zhuǎn)化為數(shù)字型變量，按照數(shù)據(jù)所需維度進行匯總

5建立模型，按照業(yè)務(wù)需求建立不同模型（例如客戶流失預(yù)警、欺詐檢測、購物籃分析、營銷響應(yīng)等）

6模型結(jié)果解釋和評估，業(yè)務(wù)專家進行業(yè)務(wù)解釋和結(jié)果評價

四、大數(shù)據(jù)分析場景和模型應(yīng)用

數(shù)據(jù)分析建模需要先明確業(yè)務(wù)需求，然后選擇是描述型分析還是預(yù)測型分析。如果分析的目的是描述客戶行為模式，就采用描述型數(shù)據(jù)分析，描述型分析就考慮關(guān)聯(lián)規(guī)則、序列規(guī)則、聚類等模型。

預(yù)測型數(shù)據(jù)分析就是量化未來一段時間內(nèi)，某個事件的發(fā)生概率。有兩大預(yù)測分析模型，分類預(yù)測和回歸預(yù)測。常見的分類預(yù)測模型中，目標(biāo)變量通常都是二元分類變量例如欺詐與否，流失與否，信用好壞等。回歸預(yù)測模型中，目標(biāo)變量通常都是連續(xù)型變量，常見的有股票價格預(yù)測、違約損失率預(yù)測（LGD）等。

生存分析聚焦于將事件的結(jié)果和出現(xiàn)這一結(jié)果所經(jīng)歷的時間進行分析，源于醫(yī)療領(lǐng)域，研究患者治療后的存活時間。生存分析可也可以用于預(yù)測客戶流失時間，客戶下次購買時間，客戶違約時間，客戶提前償還貸款時間，客戶下次訪問網(wǎng)站時間等。

常見的數(shù)據(jù)分析應(yīng)用場景如下

1市場營銷

營銷響應(yīng)分析建模（邏輯回歸，決策樹）

凈提升度分析建模（關(guān)聯(lián)規(guī)則）

客戶保有分析建模（卡普蘭梅爾分析，神經(jīng)網(wǎng)絡(luò)）

購物藍(lán)分析（關(guān)聯(lián)分析Apriori）

自動推薦系統(tǒng)（協(xié)同過濾推薦，基于內(nèi)容推薦，基于人口統(tǒng)計推薦，基于知識推薦，組合推薦，關(guān)聯(lián)規(guī)則）

客戶細(xì)分（聚類）

流失預(yù)測（邏輯回歸）

2風(fēng)險管理

客戶信用風(fēng)險評分（SVM，決策樹，神經(jīng)網(wǎng)絡(luò)）

市場風(fēng)險評分建模（邏輯回歸和決策樹）

運營風(fēng)險評分建模（SVM）

欺詐檢測（決策樹，聚類，社交網(wǎng)絡(luò)）

五、數(shù)據(jù)模型評價的方法

1AUC值判別法

AUC小于0.7識別能力很弱

AUC在0.7-0.8之間識別能力可接受

AUC在0.8-0.9之間識別能力卓越

AUC大于0.9模型出現(xiàn)意外

2KS判別法

KS值大于0.2就表示具有較好的可預(yù)測性