漫談的數(shù)據(jù)挖掘

談到BI，就會談到數(shù)據(jù)挖掘(Data mining)。數(shù)據(jù)挖掘是指用某些方法和工具，對數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)隱藏規(guī)律并利的一種方法。下面我們將通過具體的例子來學(xué)習(xí)什么是數(shù)據(jù)挖掘。
案例“上大學(xué)分析”-體驗什么是數(shù)據(jù)挖掘
某社會機(jī)構(gòu)，收集了大量的學(xué)生考大學(xué)的數(shù)據(jù)。該機(jī)構(gòu)希望找出一些規(guī)律，以推動更多的學(xué)生考大學(xué)。該機(jī)構(gòu)委托你來做這個分析工作，給出具體的可以推動更多學(xué)生考大學(xué)的建議。
收集到的數(shù)據(jù)如下：

你可能會考慮用SQL語句進(jìn)行查詢分析。但問題是：
1.用什么語句查呢？要組合什么條件呢？
2.你想查到怎樣的結(jié)果呢？這個結(jié)果對決策有幫助嗎？
那數(shù)據(jù)挖掘一下吧！但如何挖掘呢？
不了解數(shù)據(jù)挖掘的人，往往會認(rèn)為只需要讓計算機(jī)去挖掘一下，計算機(jī)就能幫我們找出想要的東西。計算機(jī)哪會這樣神奇，在數(shù)據(jù)挖掘之前，我們必須要自己好好分析一下。
1.明確挖掘的目標(biāo)。
我們看看原始需求是這樣的：該機(jī)構(gòu)希望找出一些規(guī)律，以推動更多的學(xué)生考大學(xué)。
你可能會說：該目標(biāo)也太大了一點吧！現(xiàn)在該機(jī)構(gòu)委托你做這個事情，人家不是專業(yè)人士，你還指望人家什么都幫你做好嗎？那要你干嘛！
我們仔細(xì)分析一下，原始數(shù)據(jù)有姓名、性別、IQ、家庭年收入、兄弟姐妹數(shù)量、是否想上大學(xué)字段，要推動更多學(xué)生考大學(xué)，我們無非就是要分析出：
1)有上大學(xué)計劃的人主要原因是什么呢？
2)無上大學(xué)計劃的人主要原因是什么呢？
分析出這些原因，就可以提出針對性的建議了。
2.明確因果關(guān)系
看下面這個圖：

對原始數(shù)據(jù)表進(jìn)行分析，我們可以推論出：家庭收入、性別、兄弟姐妹數(shù)量、IQ這些因素，很可能會影響有否上大學(xué)計劃。至于姓名會不會影響，我們可以用常識判斷應(yīng)該不會，故可以排除。
這樣我們就可以確定輸入列有：家庭收入、性別、兄弟姐妹數(shù)量、IQ，可預(yù)測列為：有上大學(xué)計劃否。
數(shù)據(jù)挖掘的目標(biāo)就是找出輸入列與可預(yù)測列的關(guān)系，只要找到這個規(guī)律，就可以提出針對性的建議，也可以利用這個規(guī)律做預(yù)測。
以上工作準(zhǔn)備就緒后，我們就需要選擇合適的分析方法來數(shù)據(jù)挖掘了。我們選擇“決策樹”的方法，下面是決策樹的部分分析結(jié)果：

說明：
1.最上面的一個節(jié)點表示有55%的人有計劃上大學(xué)，45%的人沒有計劃。
2.第二層節(jié)點，以IQ為條件進(jìn)行劃分，IQ大于100的人中，有上大學(xué)計劃的人有79%之多，而IQ小于等于100的人，有上大學(xué)計劃的人只有35%，這說明IQ是很重要的影響因素。
3.第三層節(jié)點是年收入，第四層是兄弟姐妹數(shù)量。
4.決策樹算法會分析原始數(shù)據(jù)，將影響程度最大的因素排在上面，次之的因素排在后面。
由上面的分析，我們可以得到這樣的一些信息：
1.越是IQ高的越有上大學(xué)的計劃。
2.家庭收入越高，越有上大學(xué)計劃。
3.兄弟姐妹越多，上大學(xué)計劃就越微。
4.性別沒有在這棵樹出現(xiàn)，說明性別對有否上大學(xué)計劃沒有明顯影響。
接下來我們就可以提出針對性的建議，以推動更多人考大學(xué)：
1.大學(xué)學(xué)位有限，目前重點應(yīng)該是鼓勵更多的聰明的學(xué)生考大學(xué)。
2.聰明的學(xué)生不計劃上大學(xué)，主要原因是家庭收入低、兄弟姐妹多，針對這樣的情況，政府可考慮降低大學(xué)學(xué)費，或?qū)Φ褪杖?、多子女的家庭進(jìn)行資助。
總結(jié)一下數(shù)據(jù)挖掘的過程：
1.明確你的目標(biāo)，收集相關(guān)數(shù)據(jù)。
2.根據(jù)目標(biāo)分析這些數(shù)據(jù)，找出輸入列、可預(yù)測列。
3.選擇合適的數(shù)據(jù)挖掘方法。
4.分析數(shù)據(jù)挖掘結(jié)果，給出建議。
第2、3步可能需要不斷地嘗試和調(diào)試，才能找到合適的分析結(jié)果。
怎么樣？這個過程不簡單吧？以上這個例子已經(jīng)經(jīng)過我的簡化和提煉，其目標(biāo)就是讓大家能容易理解什么是數(shù)據(jù)挖掘，實際工作中的數(shù)據(jù)挖掘難度是很高的，需要具備這些能力：
1.能深徹體會業(yè)務(wù)的要求，能將客戶籠統(tǒng)的需求轉(zhuǎn)化為實在的工作指導(dǎo)。
2.能分析出輸入列、可預(yù)測列。
3.熟悉各種數(shù)據(jù)挖掘方法，會選擇合適的方法進(jìn)行分析。
4.能深入分析數(shù)據(jù)挖掘的結(jié)果，綜合運(yùn)用你的各種知識，為客戶提出針對性的決策建議。
常見的數(shù)據(jù)挖掘方法
常見的數(shù)據(jù)挖掘方法有分類、聚類、關(guān)聯(lián)、回歸、時間序列分析、離散序列分成、偏差分析、貝葉斯、神經(jīng)網(wǎng)絡(luò)等等。這些內(nèi)容都涉及到深厚的數(shù)學(xué)知識，下面只是一些膚淺的介紹，讓大家有個大概的認(rèn)識，為大家進(jìn)一步學(xué)習(xí)打好基礎(chǔ)。
數(shù)據(jù)挖掘算法之分類
例：某銀行每天收到很多信用卡辦理的申請，為提高效率和準(zhǔn)確性，想應(yīng)用數(shù)據(jù)挖掘技術(shù)來改善工作，你會怎樣考慮呢？
該銀行有大量的歷史數(shù)據(jù)，將申請者分為高、中、低三種風(fēng)險類型，這樣輸入列就是申請者的學(xué)歷、收入、職業(yè)等信息，而可預(yù)測列就是風(fēng)險類型。這樣對歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘后，當(dāng)有新的申請者提交資料，系統(tǒng)就可以判斷該申請者風(fēng)險類型為高、中還是低了。
以上的算法就是“分類”，該挖掘方法需人工指定類別，然后找出一組屬性與該類別的關(guān)系，利用這些關(guān)系來預(yù)測新的情況。
數(shù)據(jù)挖掘算法之聚類
“聚類”與“分類”很相似，同樣是找出一組屬性與類別的關(guān)系，不同的是這類別不是事先指定的，而是由數(shù)據(jù)挖掘自己找出分類。
例：某公司收集了很多客戶的資料，記錄了客戶的年齡和收入。該公司相對這些數(shù)據(jù)進(jìn)行分析，找出可以重點營銷的客戶對象。我們可指定輸入列為年齡和收入，經(jīng)過聚類數(shù)據(jù)挖掘后，發(fā)現(xiàn)客戶群可以劃分為三個群體：低收入年輕客戶、高收入中年客戶、收入相對低的年老客戶。根據(jù)這樣的分析結(jié)果，公司可采取決策，重點針對高收入中年客戶進(jìn)行營銷活動。
數(shù)據(jù)挖掘算法之關(guān)聯(lián)
例：在一家超市里，有一個有趣的現(xiàn)象：尿布和啤酒赫然擺在一起出售。但是這個奇怪的舉措?yún)s使尿布和啤酒的銷量雙雙增加了。這不是一個笑話，而是發(fā)生在美國沃爾瑪連鎖店超市的真實案例，并一直為商家所津津樂道。原來，美國的婦女們經(jīng)常會囑咐她們的丈夫下班以后要為孩子買尿布。而丈夫在買完尿布之后又要順手買回自己愛喝的啤酒，因此啤酒和尿布在一起購買的機(jī)會還是很多的。
上述這個例子經(jīng)常會被人拿來說，但很少人會舉一反三地應(yīng)用這個例子。我們有很多超市記錄了大量的交易數(shù)據(jù)，只要對這些交易數(shù)據(jù)做一下關(guān)聯(lián)分析，就很可能會得到不少價值巨大的商業(yè)機(jī)會。上述這個“尿布+啤酒”的例子，就是應(yīng)用了關(guān)聯(lián)分析，發(fā)現(xiàn)尿布和啤酒兩個東西經(jīng)常被一起賣掉。關(guān)聯(lián)分析主要用來找出某些東西“擺在一起“的機(jī)會。我們上網(wǎng)上商城購買東西，你每選擇一個商品，就可能會向你推銷一堆別的商品，這很可能就是關(guān)聯(lián)分析在“作怪”。
數(shù)據(jù)挖掘算法之回歸
變量X、Y可能存在關(guān)系，我們可以將大量的(X、Y)繪制到一張圖上，形成一張散點圖。如果這些散點更好都在一條直線附近，那么這條直線的方程就可以近似代表X與Y的關(guān)系。
所謂的回歸，就是要找到一個函數(shù)代表變量X1,X2,X3,...與Y的關(guān)系，該函數(shù)所繪制出來的曲線，能盡量擬合這些“散點”。
下圖是某軟件公司某項目測試時間與發(fā)現(xiàn)缺陷數(shù)量的關(guān)系圖：
 

回歸可分為線性回歸和非線性回歸，線性回歸比較容易操作，但一般情況下數(shù)據(jù)很難是線性的，而非線性回歸就超復(fù)雜了。
上圖的線性模型采用的是多階段的線性回歸，指數(shù)模型采用的是多階段的指數(shù)回歸，而黑色曲線代表的是真實數(shù)據(jù)，從圖中看，似乎指數(shù)模型的吻合度更高一點。
數(shù)據(jù)挖掘算法之時間序列分析
例1：炒股的人都想預(yù)測明天是漲還是跌，實際上我們已經(jīng)積累了大量的歷史數(shù)據(jù)，說不定還是可以預(yù)測的！某股票已經(jīng)連續(xù)漲了3天，明天會不會再漲呢？某股票連續(xù)跌了7天了，明天應(yīng)該不會再跌了吧？
例2：很多商家會在某些節(jié)假日時，重點銷售某些產(chǎn)品，以求可以賣出更多，圣誕節(jié)快到了，應(yīng)該主推什么產(chǎn)品好呢？實際上各商家的收款系統(tǒng)中，記錄了大量的與時間相關(guān)的銷售數(shù)據(jù)，如果對這些數(shù)據(jù)做一下時間序列分析，說不定能找到重大商機(jī)。
時間序列分析，輸入列都是與時間相關(guān)的數(shù)據(jù)，同時需要考慮季節(jié)、歷史等因素，這樣就可以預(yù)測某個時間會怎樣了。
數(shù)據(jù)挖掘算法之離散序列分析
某網(wǎng)站對訪問者的操作進(jìn)行了統(tǒng)計，如下：
 
說明：
1.訪問者進(jìn)入首頁后，有20%會進(jìn)入天氣頁面，40%進(jìn)入新聞頁面，20%進(jìn)入商業(yè)頁面。
2.從首頁進(jìn)入新聞頁面的機(jī)會是40%，而從天氣進(jìn)入新聞的機(jī)會是10%。
以上的分析對于優(yōu)化網(wǎng)站是很有幫助的，上述的分析用到了離散序列分析技術(shù)。
離散序列分析，輸入列是一系列有“次序”的數(shù)據(jù)，通過這一系列有次序的數(shù)據(jù)預(yù)測另外一個數(shù)據(jù)情況。
數(shù)據(jù)挖掘算法之偏差分析
例：某銀行有信用卡異常使用情況的監(jiān)控系統(tǒng)，如果發(fā)現(xiàn)某些用卡行為與客戶往常習(xí)慣不一樣時，會發(fā)出警告。
信用卡每次使用情況，包括時間、地點、金額、商戶等信息都會記錄下來。利用正常的歷史數(shù)據(jù)對系統(tǒng)進(jìn)行訓(xùn)練，告訴系統(tǒng)這些是“正?！钡氖褂们闆r，當(dāng)出現(xiàn)新的用卡記錄與這些正常使用的特征不符時，則可以發(fā)出警告。偏差分析的原理就是用正常的數(shù)據(jù)去訓(xùn)練系統(tǒng)，由系統(tǒng)去判斷新數(shù)據(jù)是否在正常范圍？有沒有偏差？
軟件項目管理如果達(dá)到CMMI4級或以上的層次，就會使用基線來管理項目，基線上下限范圍內(nèi)可認(rèn)為是“正?！钡模绻錾舷孪?，則認(rèn)為是“偏差”，需要分析原因并采取措施。這種用基線來管理項目，其實也是一種數(shù)據(jù)挖掘算法-偏差分析。
數(shù)據(jù)挖掘算法之貝葉斯
貝葉斯算法是一種根據(jù)歷史事件發(fā)生的概率來推測將來的算法，由偉大的數(shù)學(xué)家Thomas Bayes所創(chuàng)建的。Thomas Bayes，1702年出生于英國倫敦。
該算法的原理是這樣的：如果事情A、事情B、事情C、...、這些事情發(fā)生了，那么事情X發(fā)生的幾率是多少。前面這些事情叫做前提事情，可以是一個到多個，前提事情越多分析起來就越復(fù)雜但會更加準(zhǔn)確。
舉個例子：據(jù)說麥當(dāng)勞當(dāng)年發(fā)現(xiàn)，如果顧客購買了漢堡包和薯條，那么顧客再購買可樂的機(jī)會是70%，于是麥當(dāng)勞就將這三個產(chǎn)品捆綁在一起作為套餐，于是銷量大增。對于這個案例，前提事件就是購買漢堡包和購買薯條，要預(yù)測的是顧客會不會買可樂，預(yù)測結(jié)果就是有70%機(jī)會會買。我們可以利用貝葉斯原理來進(jìn)行數(shù)據(jù)挖掘。
數(shù)據(jù)挖掘算法之神經(jīng)網(wǎng)絡(luò)
人腦其實是由數(shù)量龐大的神經(jīng)細(xì)胞組成的，神經(jīng)細(xì)胞龐大的數(shù)量及復(fù)雜的結(jié)構(gòu)，讓人類充滿了智慧。人一出世，腦袋是一片空白的，當(dāng)我們學(xué)會了某樣?xùn)|西的時候，我們會對起進(jìn)行推演和歸納。比方說我們認(rèn)識了這是一條狗，當(dāng)我們見到另外一條不同品種狗的時候，我們會判斷這也是一條狗。而計算機(jī)的判斷一般來說就比較死板了，如果有細(xì)微的偏差就會認(rèn)不出來。
神經(jīng)網(wǎng)絡(luò)算法其實就是通過計算機(jī)來構(gòu)造類似于人腦的神經(jīng)細(xì)胞網(wǎng)絡(luò)（當(dāng)然該網(wǎng)絡(luò)無論如何不能跟人腦相比），通過一些訓(xùn)練，能讓該網(wǎng)絡(luò)能識別某一類事物。文字識別、指紋識別等都是應(yīng)用了神經(jīng)網(wǎng)絡(luò)技術(shù)的。
通過數(shù)據(jù)訓(xùn)練，我們可以在輸入列與可預(yù)測列之間找到合適的神經(jīng)網(wǎng)絡(luò)，然后通過這個網(wǎng)絡(luò)對新情況進(jìn)行判斷。