在產(chǎn)品導(dǎo)入時期，為實現(xiàn)運營目標，經(jīng)常還會通過內(nèi)部數(shù)據(jù)分析進行目標用戶定位及選取，主要運用數(shù)據(jù)挖掘中的分類篩選構(gòu)建模型，形成業(yè)務(wù)運營閉環(huán)，并不斷迭代修正。其中涉及營銷測試和存量用戶兩種建模方法。

營銷測試方法通過廣告宣傳引導(dǎo)用戶開通或試用產(chǎn)品，并分析其中響應(yīng)的用戶特點。與營銷測試有所不同，存量用戶建模的反饋數(shù)據(jù)不需要經(jīng)過市場測試，而是根據(jù)存量用戶是否使用該產(chǎn)品而構(gòu)造。

為了更好地使用數(shù)據(jù)挖掘技術(shù)，一些具備豐富經(jīng)驗的廠商和協(xié)會提出了CRISP-DM數(shù)據(jù)挖掘過程模型，并以此確立了數(shù)據(jù)挖掘實施過程中的整體規(guī)范和設(shè)計標準。

總的來說，數(shù)據(jù)挖掘過程模型提供了一個基于數(shù)據(jù)挖掘生命周期的總概覽，從方法論的角度將整個過程分成六個階段以及每一階段包含的具體任務(wù)，還有后續(xù)所涉及的延伸應(yīng)用。第一步商業(yè)理解主要是將業(yè)務(wù)分析目標與數(shù)據(jù)挖掘目標有效結(jié)合起來。

接下來的數(shù)據(jù)理解階段，便是要著重考慮構(gòu)建模型前的樣本數(shù)據(jù)，即以用戶的性別、年齡、收入和職業(yè)作為特征變量來理解目標用戶的對產(chǎn)品的數(shù)據(jù)需求。變量的選擇與提取需要產(chǎn)品經(jīng)理和數(shù)據(jù)分析師共同確定，同時與數(shù)據(jù)庫操作人員進行協(xié)調(diào)。

目標變量即因變量隨著特征變量即自變量的變化而變化，而數(shù)據(jù)挖掘模型起到的作用便是將目標變量“訂購”與“未訂購”所對應(yīng)的用戶根據(jù)特征區(qū)分出來。

同時，從數(shù)據(jù)源中所提取出的數(shù)據(jù)必須經(jīng)過嚴格校驗和清理，包括補充空缺、處理異常值、數(shù)據(jù)降噪、調(diào)整一致等。某些時候因為主觀或客觀的原因，數(shù)據(jù)記錄中會存在空值，為了避免影響結(jié)果的準確性，將其定義為缺失值，并按照一定的原則進行處理，比如選取整個變量的平均值來填補空缺。

實際操作中，準確判斷出哪些變量是模型的最佳輸入是十分困難的，通常情況下建議把可能的重要因素都考慮在內(nèi)，也可以結(jié)合數(shù)據(jù)探索來了解變量的分布狀態(tài)。對于連續(xù)型變量，常用的描述統(tǒng)計量有最大值和最小值，均值反映變量的集中趨勢，方差反映數(shù)據(jù)的波動情況。產(chǎn)品經(jīng)理通過數(shù)據(jù)探索可對目標市場有大致了解，為后續(xù)分析提供相對直觀的基本信息。

數(shù)據(jù)在經(jīng)過處理之后，還需要對單一變量進行探索分析，以此描述具體變量的分布情況，產(chǎn)品經(jīng)理通過直接觀察變量分布能夠了解目標用戶群體的大致特征，為后續(xù)的深入挖掘做準備。

如上所示，樣本用戶的年齡分布主要集中在20至40歲之間，男性用戶較多，男女比例接近2：1。有時，為了滿足特定的分析需求，產(chǎn)品經(jīng)理也可以協(xié)同數(shù)據(jù)分析師，根據(jù)自身業(yè)務(wù)經(jīng)驗調(diào)整樣本加權(quán)以及更改抽樣方案。

目標用戶的選取實際上也就是根據(jù)用戶特征屬性來判斷用戶所屬類別的決策過程。一般來說，一個決策過程由一個決策結(jié)論和若干個決策依據(jù)組成，在這里，決策結(jié)論意指分類結(jié)果，決策依據(jù)則是特征屬性。

數(shù)據(jù)挖掘中的決策樹算法是一個廣泛應(yīng)用的判別方法，可以將一個決策流程映射到一個樹形結(jié)構(gòu)上，同時滿足特征屬性描述的簡潔性和分類結(jié)果預(yù)測的準確性。其中樹根及分枝代表著特征屬性，葉子對應(yīng)著分類結(jié)果。

決策樹算法主要實現(xiàn)了數(shù)據(jù)挖掘中的分類篩選功能，并能夠預(yù)測新數(shù)據(jù)的類別，產(chǎn)生最終的分類規(guī)則具有良好的可讀性，有助于業(yè)務(wù)理解。在具體的實現(xiàn)過程中，從根到葉的每一條路徑表示著特征屬性和分類結(jié)果之間的邏輯策略和映射關(guān)系。判斷建立分支節(jié)點時，選擇最佳的特征屬性尤為重要，也是構(gòu)建決策樹的關(guān)鍵步驟，通常會基于最大信息增益的原理。

從根到葉每一條路徑代表著一個分類規(guī)則，所有的路徑組成一個規(guī)則集?；谟?xùn)練樣本數(shù)據(jù)，從中挑選出出現(xiàn)次數(shù)較多的一些路徑作為最優(yōu)規(guī)則，并以概率的形式作為衡量指標。

如上所示，路徑從根(年齡>=30)經(jīng)過分枝(收入<5000)，再到葉子(接受)，最終形成一個訂購產(chǎn)品的分類規(guī)則，且概率大小為69.7%，即表示樣本數(shù)據(jù)中滿足規(guī)則的用戶占總用戶數(shù)的比率情況。

如上所示，模型最終會生成并輸出分類規(guī)則的展現(xiàn)形式和衡量尺度。總的來說，決策樹算法以樣本數(shù)據(jù)為基礎(chǔ)，采用自頂向下的方式，基于一組無次序、無規(guī)則的數(shù)據(jù)，推理出合乎業(yè)務(wù)邏輯的分類規(guī)則，便于預(yù)測未知對象的類別標記。其中，選取合適的特征屬性構(gòu)建根及分枝節(jié)點，葉子即劃分類別，從根到葉的一條路徑對應(yīng)著一個規(guī)則，整個決策樹便形成一系列規(guī)則。