移动数据挖掘项目工作总结.docx

移动数据挖掘项目工作总结

第一篇：移动数据挖掘项目工作总结移动数据挖掘项目工作总结--2012年10月23日，中山大学，园东区203电信行业是数据挖掘技术应用的传统行业，其挖掘题材之丰富，其挖掘应用之广泛，一直令不少数据挖掘专家迷恋不已。移动凭借其自身行业的特性，以及成熟稳定的客户群体等诸多优势，从挖掘题材的创新、挖掘技术的运用以及后期营销活动的开展，都走在了行业领域的前列。本文主要是作者在移动行业方面的一些经验分享、工作总结以及思考感悟。移动数据挖掘项目具有设计简单、重视应用、开发周期短等特点，其中的一些挖掘分析思想值得我们借鉴学习。从数据说起我们所说的数据分析，或者数据挖掘，就是期望从数据中获取有用的信息。数据，对数据分析人员来说，就像厨师做菜所需要的各种食材。好的食材，再加上适当的烹饪，就可以做出美味可口的饭菜。同样地，好的数据，也是进行有效数据挖掘的基础。一个行业，或者一个企业，是否能够广泛而成熟地运用数据分析来辅助进行营销决策，较大程度上取决于我们从数据层面知道关于客户信息的多少。最理想的情况下，我们期望能够获得描述客户心理活动方面的数据，但现实中这方面的数据其实是不可能获得的。而数据挖掘，更多的是力图从企业现有的数据中探寻有用的信息。现在回过头来看，移动的行业特性，及其刻画用户的数据维度较为全面，使得移动能够广泛成熟地应用数据挖掘技术来辅助营销决策。一般地，移动有几大方面的数据：1)客户基本信息，2)账务信息，3)通话行为，4)数据业务，5)集团业务，6)渠道使用，7)交往圈，8)终端特征，9)位置信息，10)客服数据相比之下，其他行业的数据就不那么全面了。移动数据的特点，也使得数据挖掘在营销决策方面有很大作为。从客户流失、客户分群、客户价值、客户偏好、精确营销到客户生命周期等经典的挖掘题材，都有良好的数据支持。咨询的方法、业务的思路、挖掘的技术数据挖掘项目从业务问题出发，致力于从数据中寻找解决之道，最后回到业务层面上，提出应用建议，支持营销决策。业务，实际上是贯穿数据挖掘模型的整个过程。分析人员应该基于业务，忠于业务，时刻保持对业务的那种敏感性。不懂业务，不算一个优秀的分析人员。不懂业务，就会使我们分析的方向越来越偏离挖掘的最终目标。不懂业务，分析结果就仅仅只是一堆数据，从当中得不到太多有意义的信息。因此，对业务问题的分析思路还是要基于业务来确定。在业务的基础上灵活设计分析模型，可确保模型结果较好地运用到营销决策之上。值得注意的是，对业务问题的分析过程，挖掘只是其中的一部分，而不是全部。我们需要逻辑思考，我们也需要咨询的方法论来指导我们去剖析业务问题，以便让业务问题的解决顺理成章，让业务部门更好地明白我们对业务问题的分析思路。这里举个客户流失的例子来加以说明吧。对于客户流失，可能其他行业只是开发一个客户流失预警模型出来，就差不多了。但在移动，这会做得更多。对于流失客户，我们首先想知道客户流失的总体情况、客户流失轨迹如何、流失客户群体有什么样的特征等等。进一步地，我们也想知道客户为什么流失、客户流失之后的去向如何。除了这些，我们还需要知道哪些客户容易流失、这些客户有什么样的偏好特征等等。从这我们可以知道，业务问题的分析需要遵循一定的逻辑性，需要像讲故事一样非常自然合理的解决思路。我必须得告诉你，这就是一般逻辑性思考的套路。我们也看到，利用数据挖掘技术(如Logistic回归)开发挖掘模型，可能就只是我们分析思路中的一部分工作而已。另外，需强调一点，我们在分析过程中，应当为业务人员想得更多。这点不多加说明。我认为，在数据挖掘项目中，关键在人，业务是其次的，第三才是技术。建模应当遵循简单有效的原则。所谓简单，即是力求模型避繁就简。比如说，训练指标设计，可以基于业务先衍生出几个含义明显且计算逻辑简单的指标，尽量避免衍生出那些业务不明显且计算复杂的指标。再者，训练指标不能太多，否则会耗费太多时间在搭建训练宽表上。又如在挖掘技术的选择上，如果用Logistic回归、决策树和神经网络训练模型，得到相差不大的结果，一般选用Logistic回归来训练模型，因为它原理简单并且结果可读性好。着眼于应用我们的项目成果是否有价值，我们开发的模型是否有效，最终得看应用。从项目一开始，我们就应着眼于成果的应用。我们必须顾及业务人员的感受。有时候，我们得站在业务人员的角度来思考我们所分析的问题。我们还应该告诉业务人员，我们的模型怎么用。这是我们的职责。我们还需要告诉他们，模型有何局限性。如果有必要，我们也可以告诉他们整个分析过程，从目标定义、数据处理、指标选取、模型训练到结果应用。让他们知晓这个过程，是为了让他们对模型有一个正确的认识，既不会完全否定模型的作用，也不会过于看重模型的效果。这里存在着模型效果衰减的问题。模型自身的效果会受到各种营