导读：数据挖掘是一种发现知识的手段。数据挖掘要求数据分析师通过合理的方法，从数据中获取与挖掘项目相关的知识。
作者：赵仁乾 田建中 叶本华 常国珍
来源：华章科技
数据挖掘是一个多学科交叉的产物，涉及统计学、数据库、机器学习、人工智能及模式识别等多种学科，如图1-4所示。
▲图1-4 数据挖掘
数据挖掘方法按照来源进行分类显得过于庞杂，而且不便于理解和记忆。按照其目的，将数据挖掘方法分为预测性和描述性两大类，如下所示。
1. 预测性——有监督学习
预测性分析指的是用一个或多个自变量预测因变量的值，以历史数据为训练集，从中学习并建立模型，然后将此模型运用到当前数据上，推测结果。以客户违约作为预测性分析的研究场景，客户是否会违约是一个因变量，我们可以根据客户的性别、年龄、收入、职位、经济状况、历史信用状况等进行预测。
根据SAS工程师总结的商业案例，分类模型可分为三大类。
有些数据挖掘算法在某类应用上表现得更好，如最近邻域法、支持向量机在决策类应用上表现良好，但是在解决排序类和估计类问题时表现一般。而有些数据挖掘算法的表现比较稳定，如决策树和逻辑回归对三类问题都适用，但是在决策类问题上没有在后两类问题上表现好。
2. 描述性——无监督学习
描述性分析指的是分析具有多个属性的数据集，找出潜在的模式并进行分类。描述性分析是一种无监督的学习过程。区别于有监督的学习，无监督学习算法没有参照指标，需要结合业务经验来判断数据分类是否正确。无监督学习比较耗时，而且对建模人员的业务素质要求较高。
描述性分析主要应用于以下两种场景：第一种是观察个体之间的相似程度，如根据年龄、性别、收入等进行客户细分；第二种是根据客户购买的多个产品发现产品之间的相关性，主要算法包括样本聚类、关联规则等。
下面讲解最为常用的CRISP-DM方法论和SEMMA方法论。
1. CRISP-DM方法论
CRISP-DM方法论由NCR、Clementine、OHRA和Daimler-Benz的数据挖掘项目总结而来，并被SPSS公司大力推广。CRISP-DM方法论将数据挖掘项目的生命周期分为6个阶段，分别是商业理解、数据理解、数据准备、建模、评估和准备工作，如图1-16所示。
▲图1-16 CRISP-DM方法论
在实际项目进行过程中，由于使用者的目标背景和兴趣不同，有可能打乱各阶段顺承的关系。
图1-16呈现了CRISP-DM方法执行流程的6个阶段。各个阶段的顺序不是保持不变的，有时需要在某个阶段向前或向后移动，这取决于每个阶段的结果和下一个阶段的具体任务。箭头指出了各个阶段之间的关联。
在图1-16中，最外圈的循环表示数据挖掘本身的循环特征。数据挖掘是一项持续的工作。在上一个流程和解决方案中获得的经验与教训，可以给下一个项目提供指导。下面简要介绍每个阶段的特点。
1）商业理解
该阶段的特点是从商业角度理解项目的目标和要求，通过理论分析找出数据挖掘可操作问题，制订实现目标的初步计划。
2）数据理解
该阶段开始于原始数据的收集，然后是熟悉数据、标明数据质量问题、探索对数据的初步理解、发掘有趣的子集，以形成对探索关系的假设。
3）数据准备
该阶段包括所有从原始的、未加工的数据构造数据挖掘所需信息的活动。数据准备任务可能被实施多次，而且没有任何规定的顺序。这些任务的主要目的是从源系统根据维度分析的要求，获取所需要的信息，同时对数据进行转换和清洗。
4）建模
该阶段主要是选择和应用各种建模技术，同时对参数进行校准，以达到最优值。通常，同一类数据挖掘问题会有多种建模技术。一些技术对数据格式有特殊的要求，因此常常需要返回到数据准备阶段。
5）评估
在模型最后发布前，根据商业目标评估模型和检查模型建立的各个步骤。此阶段的关键目的是，确认重要的商业问题都得到充分考虑。
6）准备工作
模型完成后，由模型使用者（客户）根据当时的背景和目标完成情况，决定如何在现场使用模型。
2. SEMMA方法论
除了CRISP-DM方法论，SAS公司还提出了SEMMA方法论。其与CRISP-DM方法论内容十分相似，流程为定义业务问题、环境评估、数据准备、循环往复的挖掘过程、上线发布、检视。其中循环往复的挖掘过程包含探索、修改、建模、评估和抽样5个步骤，如图1-17所示。
▲图1-17 SEMMA方法论
1）抽样
该步骤涉及数据采集、数据合并与抽样操作，目的是构造分析时用到的数据。分析人员将根据维度分析获得的结果作为分析的依据，将散落在公司内部与外部的数据进行整合。
2）探索
这个步骤有两个任务，第一个是对数据质量的探索。
变量质量方面涉及错误值（年龄=-30）、不恰当（客户的某些业务指标为缺失值，实际上是没有这个业务，值应该为“0”）、缺失值（没有客户的收入信息）、不一致（收入单位为人民币，而支出单位为美元）、不平稳（某些数据的均值变化过于剧烈）、重复（相同的交易被记录两次）和不及时（银行客户的财务数据更新滞后）等。
探索步骤主要解决错误的变量是否可以修改、是否可以使用的问题。比如，缺失值很多，平稳性、及时性很差的变量不能用于后续的数据分析，而缺失值较少的变量需要进行缺失值填补。
第二个是对变量分布形态的探索。
对变量分布形态的探索主要是对变量偏态和极端值进行探索。由于后续的统计分析大多是使用参数统计方法，这要求连续变量最好是对称分布的，这就需要我们了解每个连续变量的分布情况，并制定好变量修改的方案。
3）修改
根据变量探索的结论，对数据质量问题和分布问题涉及的变量分别做修改。数据质量问题涉及的修改包括错误编码改正、缺失值填补、单位统一等操作。变量分布问题涉及的修改包括函数转换和标准化，具体的修改方法需要与后续的统计建模方法相结合。
4）建模
根据分析的目的选取合适的模型，这部分内容在1.3节已经做了详细的阐述，这里不再赘述。
5）评估
这里指模型的样本内验证，即使用历史数据对模型表现的优劣进行评估。比如，对有监督学习使用ROC曲线和提升度等技术指标评估模型的预测能力。
笔者提出了数据挖掘建模框架的3个原则，即以成本-收益分析为单一分析框架、以分析主体和客体为视角构建全模型生命周期工作模板，将纷繁多样的数据挖掘应用主题归纳为3大分析范式和9大工作模板，如图1-18所示。
▲图1-18 3大分析范式和9大工作模板
1. 以成本-收益分析为单一分析框架
世上万事万物都具有矛盾的两面性，金融数据挖掘建模力图通过数据反映行为背后的规律，紧抓主要矛盾就是找寻规律的捷径。大家都知道，挖掘有效的入模特征是数据建模的难点。一旦我们了解了分析课题的主要矛盾，这个难点就迎刃而解了。下面讲解如何使用这个框架进行分析。
首先举3个例子。
2. 以分析主体和客体为视角
在数据挖掘建模中，定义标签是主体视角。比如营销预测模型中客户是否响应，是建模人员自己定的规则，这个规则有可能是收到营销短信后三天内注册账号并产生订单。
在构建入模的特征集时需要采用客体视角，比如手机银行的营销响应模型中，入模的特征应该反映客体的成本-收益的变量，比如年龄反映的是使用手机银行和去实体渠道的成本。
当建模人员意识到标签是自己主观臆断的时候，便会对该标签的选择更用心；当意识到入模的特征来自客体时，才会从客体的视角出发更高效地构建特征集。
3. 构建全模型生命周期工作模板
我们在CRIP-DM和SEMMA的基础上提出“高质量数据挖掘模型开发七步法”，如图1-19所示。
前三步是蓄势阶段，更多的是从业务人员、数据中吸收经验并形成感知。制作特征、变量处理和建立模型阶段是丰富特征、寻找有效模型的阶段，需要通过各种手段探查到最有效的特征和精度最高的模型。最后是模型输出阶段，选出的模型不但精度高，还要稳定性强。
▲图1-19 业务人员的业务表述
关于作者：赵仁乾，现就职于某知名500强外资企业的创新实验室，从事数据治理、数据平台开发、AI应用等工作，研究方向包括数字化运营、知识图谱等。
田建中，现就职于某大型商业银行大数据管理部，对数据挖掘在营销中的应用有深入研究。
叶本华，现某咨询公司大数据总监，主要从事企业级数据治理、数据仓库（大数据平台）建设、数据中台以及数据智能应用场景和模型设计相关工作。
常国珍，曾任毕马威咨询大数据总监，拥有近20年数据挖掘、精益数据治理、数字化运营咨询经验，是金融信用风险、反欺诈和反洗钱算法领域的专家。
本文摘编自《金融商业算法建模：基于Python和SAS》，经出版方授权发布。（ISBN：9787111692775）
京公网安备 11010802035086号