分類算法的應用

本節(jié)將為大家介紹數(shù)據(jù)挖掘中的分類算法在一些行業(yè)中的代表性應用。我們將算法應用分為表述問題和解決過程兩個階段，表述問題即需要運用數(shù)據(jù)挖掘能夠理解和處理的語言來闡述業(yè)務問題，最重要的是能夠用正確且符合實際的方式把業(yè)務問題轉(zhuǎn)化成數(shù)據(jù)挖掘問題，這往往決定了后續(xù)工作是否能有效的展開，嘗試解決一個不符合實際的業(yè)務問題往往會使得數(shù)據(jù)挖掘的工作陷入數(shù)據(jù)的海洋中，既費時費力又得不到想要的結(jié)果。而解決過程，顧名思義就是將表述清楚的問題通過數(shù)據(jù)挖掘的方法加以解決的過程。在我們把業(yè)務領(lǐng)域的問題很清晰地轉(zhuǎn)化為數(shù)據(jù)挖掘領(lǐng)域的問題之后，解決問題也就變得相對直截了當。

分類算法的應用非常廣泛，只要是牽涉到把客戶、人群、地區(qū)、商品等按照不同屬性區(qū)分開的場景都可以使用分類算法。例如我們可以通過客戶分類構(gòu)造一個分類模型來對銀行貸款進行風險評估，通過人群分類來評估酒店或飯店如何定價，通過商品分類來考慮市場整體營銷策略等。

在當前的市場營銷行為中很重要的一個特點是強調(diào)目標客戶細分。無論是銀行對貸款風險的評估還是營銷中的目標客戶（或市場）細分，其實都屬于分類算法中客戶類別分析的范疇。而客戶類別分析的功能也正在于此：采用數(shù)據(jù)挖掘中的分類技術(shù)，將客戶分成不同的類別，以便于提高企業(yè)的決策效率和準確度。例如呼叫中心設(shè)計時可以分為呼叫頻繁的客戶、偶然大量呼叫的客戶、穩(wěn)定呼叫的客戶和其他客戶，以幫助呼叫中心尋找出這些不同種類客戶的特征。這樣的分類模型可以讓呼叫中心了解不同行為類別客戶的分布特征。

下面是幾個做得比較成熟的具體分類應用描述和解決過程。

直郵營銷（Direct Mail）

直郵營銷是直效行銷的一種，是把傳統(tǒng)郵件直接發(fā)送給消費者的營銷方式，而且很多傳統(tǒng)行業(yè)把直郵營銷作為整個營銷體系中一個重要的組成部分，涉及的行業(yè)主要是大型商場、大賣場、商業(yè)連鎖店鋪、專賣店等。當然由于直郵營銷的應用很廣，所以這種方式也同樣適用于其他行業(yè)。

案例闡述：A公司是一家汽車4S店，公司擁有完備的客戶歷史消費數(shù)據(jù)庫，現(xiàn)公司準備舉辦一次高端品牌汽車的促銷活動，為配合這次促銷活動，公司計劃為潛在客戶（主要是新客戶）寄去一份精美的汽車銷售材料并附帶一份小禮品。由于資源有限，公司僅有1000份材料和禮品的預算額度。

表述問題：這里新客戶是指在店中留下過詳細資料但又沒有消費記錄的客戶。這次促銷活動的要求是轉(zhuǎn)化收到這1000份材料和禮品的新客戶，讓盡量多的新客戶能夠最終成為4S店的消費客戶。

解決問題：公司首先找出與這次促銷活動類似的已經(jīng)舉辦過的促銷活動的歷史消費數(shù)據(jù)，再將這個歷史數(shù)據(jù)集中，把促銷結(jié)果分成正反兩類，正類用來表示可以最終消費的客戶。通過歷史數(shù)據(jù)的訓練我們可以得出一個分類器，如果用的是決策樹，我們還能夠得出一個類似If-Then（如果-就）的規(guī)則，而這個規(guī)則能夠揭示參加促銷活動并最終消費的客戶的主要特征。由于分類結(jié)果最后可以表示成概率形式，如此，用經(jīng)過測試集測試過的分類器對新客戶進行分類，將得到的正類客戶的概率由大到小排序，這樣就可以生成一個客戶列表，營銷人員按著這個表由上至下數(shù)出前1000個客戶并向他們寄出材料和禮品即可。

客戶流失模型

這一模型的應用出現(xiàn)在我國的移動通信行業(yè)，其目的主要是為了降低客戶流失率。

案例闡述：我國的移動通信行業(yè)經(jīng)過了前幾年的高速發(fā)展，近一段時間的發(fā)展速度逐漸緩慢下來。注冊用戶常常處于一種動態(tài)變化的狀態(tài)，即不斷有老客戶離網(wǎng)，又不斷有新客戶入網(wǎng)。大量的低消費客戶和大量老客戶的離網(wǎng)使得移動通信公司無法快速向前發(fā)展。

表述問題：當務之急在于降低客戶流失率，這里需要解決的問題是如何找出這些將要流失的客戶，如何采取適當?shù)耐炝舸胧p少客戶的流失。

解決問題：我們需要建設(shè)客戶流失模型。和直郵營銷一樣，其目的也是為了對新客戶進行分類。只不過客戶流失模型是為了找出那些不穩(wěn)定易流失的客戶。整個建模過程與直郵營銷類似。移動通信企業(yè)的最大優(yōu)勢在于這類公司的規(guī)模往往很大，數(shù)據(jù)收集和存儲的能力也比一般企業(yè)強很多，所以它們會擁有較詳細的客戶消費數(shù)據(jù)，這對于數(shù)據(jù)挖掘的最終成功有著非常重要的作用。

垃圾郵件處理

案例闡述：對于企業(yè)和個人，如何處理垃圾郵件都是很頭疼的一件事情。在盤石公司開發(fā)的磐郵系統(tǒng)中，每個客戶可以有300G的郵件儲存容量，雖然有足夠的容量容納垃圾郵件，但是沒有過濾掉的垃圾郵件仍然會造成糟糕的用戶體驗。表述問題：如何對每個郵箱中收到的每封郵件進行處理，將有用郵件保留而過濾掉垃圾郵件是用戶關(guān)心的一大問題。

解決問題：目前的垃圾郵件過濾方法主要是采用文本挖掘技術(shù)（Text Mining）。作為數(shù)據(jù)挖掘的重要分支，文本挖掘在數(shù)據(jù)挖掘傳統(tǒng)方法的基礎(chǔ)上引入了語義處理等其他學科知識。在垃圾郵件過濾的分類技術(shù)中最常見的是貝葉斯分類法。貝葉斯分類法主要是通過對郵件的信封標題、主題和內(nèi)容進行掃描和判別。

近來，因為垃圾郵件發(fā)送方式隨著各家企業(yè)郵箱開發(fā)商的反垃圾技術(shù)的提升而變化，通過附件（PDF、圖像等）方式發(fā)送垃圾郵件的專業(yè)戶也越來越多，所以掃描的內(nèi)容又增加了一項檢查附件的工作。

信用卡分級

案例闡述：現(xiàn)如今金融行業(yè)的競爭異常激烈。在美國，出現(xiàn)在每一家郵箱里最多的信件恐怕就是信用卡邀請信。如何吸引合適的用戶來使用信用卡，以及準確分析申請人的信用風險，是每個商業(yè)銀行最關(guān)注也是最頭痛的事情。銀行要不惜一切代價吸引低風險高價值的客戶，但是對于高風險的信用卡申請者要盡量避免。

表述問題：如何把信用卡申請者分類為低、中、高風險。

解決問題：我們需要建設(shè)客戶風險模型對客戶的風險進行分類。整個建模過程與直郵營銷類似。不過因為行業(yè)的特殊性，申請表中包含了大量關(guān)于用戶的個人信息，再加上通常會做的客戶信用查詢，可以用來參考的數(shù)據(jù)維度比前面的三個案例都要多一些，所以相對來說建模的精準度也會高很多。

除了上面列出的四種典型問題之外，分類數(shù)據(jù)挖掘還有很多不同類型的應用，例如文獻檢索和搜索引擎中的自動文本分類技術(shù)，安全領(lǐng)域的入侵檢測等。

不過，不是所有分類的場景使用分類數(shù)據(jù)挖掘都有實際操作性。美國政府曾在“9·11”發(fā)生后提出一項全面信息識別計劃（Total Information Awareness Project），這項計劃的目的是建立系統(tǒng)，利用數(shù)據(jù)挖掘技術(shù)對全美居民的通話記錄和信用卡支付記錄等海量數(shù)據(jù)信息進行分析，并利用這個系統(tǒng)來識別隱藏在美國的全部恐怖分子。除去涉及的個人隱私問題和海量數(shù)據(jù)如何獲取和處理的問題之外，單純從數(shù)據(jù)挖掘問題本身來說，這個計劃的可行性就要打個大問號。假設(shè)通過數(shù)據(jù)挖掘技術(shù)建立了一個99%的分類器來識別恐怖分子，雖然這個分類器的精度已經(jīng)是相當好了，但是整個美國一天之中可產(chǎn)生的相關(guān)數(shù)據(jù)保守估計就會有約十億條，在產(chǎn)生如此龐大的增量情況下，這個99%的分類器每天至少也要忽略掉近千萬條可疑數(shù)據(jù)，那么就可以說這種分類器幾乎毫無用處?？赡苁腔谶@個原因，2003年這個計劃被終止，雖然之后還是有若干個類似的計劃被提出并嘗試，但其效果都很有限。正如前所述，除非另辟捷徑，否則這項計劃能夠成功實施的可能性很小。

CDA數(shù)據(jù)分析師培訓官網(wǎng)