數(shù)據(jù)挖掘項(xiàng)目的成功與否，很大一部分取決于IT部門與業(yè)務(wù)部門的緊密配合，由于數(shù)據(jù)挖掘與業(yè)務(wù)的結(jié)合非常緊密，既需要數(shù)據(jù)，又需要專業(yè)的業(yè)務(wù)經(jīng)驗(yàn)與理解，數(shù)據(jù)一般在IT部門手上，而業(yè)務(wù)人員當(dāng)然最了解自己的業(yè)務(wù)，因此，這彼此之間的溝通與協(xié)調(diào)經(jīng)常會(huì)遇到一些問(wèn)題。之前有過(guò)不少血的教訓(xùn)，IT人員好不容易分析出來(lái)的模型，業(yè)務(wù)部門對(duì)此信任度不高，對(duì)分析結(jié)果執(zhí)行不到位，沒(méi)能很好的反饋給IT人員做進(jìn)一步的優(yōu)化，造成模型沒(méi)能真正應(yīng)用到業(yè)務(wù)中，也沒(méi)能進(jìn)一步優(yōu)化模型，造成時(shí)間、成本的浪費(fèi)。

為了讓業(yè)務(wù)人員能夠相信分析結(jié)果能夠給業(yè)務(wù)帶來(lái)價(jià)值，需要讓他們更多地參與到項(xiàng)目中，讓業(yè)務(wù)人員了解、參與、甚至自己動(dòng)手分析的過(guò)程，是當(dāng)前企業(yè)做此類項(xiàng)目的趨勢(shì)。只有這樣，才能讓數(shù)據(jù)挖掘分析結(jié)果更好地應(yīng)用于業(yè)務(wù)。

我們一直強(qiáng)調(diào)，最大的優(yōu)勢(shì)就是易用性，它提供了圖形化界面，讓使用人員可以非常方便地通過(guò)拖拽的方式實(shí)現(xiàn)數(shù)據(jù)分析流程，讓我們有更多的時(shí)間和精力集中在業(yè)務(wù)理解上，而不是編程的調(diào)試上。這個(gè)聽(tīng)起來(lái)會(huì)讓人覺(jué)得有點(diǎn)忽悠的感覺(jué)，我們下面通過(guò)一個(gè)例子，來(lái)體驗(yàn)下，當(dāng)然要有比較才會(huì)有區(qū)別，我們分別用R和SPSS來(lái)實(shí)現(xiàn)一個(gè)聚類分析，看看兩者實(shí)現(xiàn)過(guò)程的優(yōu)劣。

分析場(chǎng)景

對(duì)電信客戶做聚類分析,了解各類客戶特征。

已有的數(shù)據(jù)包括：客戶ID、RatePlan、LongDistance(長(zhǎng)途話費(fèi))、International(國(guó)際話費(fèi))、Local(本地話費(fèi))、Drop(掉線次數(shù))、Paymethod(付款方式)、LocalBilltype(本地話費(fèi)類型)和LongDistanceBilltype(長(zhǎng)途話費(fèi)類型)。

分析步驟

讀取數(shù)據(jù)源、選擇要作為輸入因素的指標(biāo)、使用聚類算法實(shí)現(xiàn)建模、導(dǎo)出分析結(jié)果。

通過(guò)R實(shí)現(xiàn)分析過(guò)程

如果用R實(shí)現(xiàn)，我們需要以下代碼：

這個(gè)代碼看起來(lái)也并不復(fù)雜，R語(yǔ)言的強(qiáng)大之處也在于它的語(yǔ)言很簡(jiǎn)潔，我們來(lái)看它的分析結(jié)果，下圖就是顯示聚類結(jié)果：

將這個(gè)聚類的結(jié)果與原來(lái)的數(shù)據(jù)合并在一起，可以看到每個(gè)客戶所屬的類別。

如果你是業(yè)務(wù)人員，您能看得出這個(gè)結(jié)果的優(yōu)劣嗎？或者您能從中看明白了什么樣的業(yè)務(wù)結(jié)果嗎？思考一下，我們接下來(lái)看使用SPSS分析是怎么個(gè)過(guò)程？

通過(guò)SPSS Modeler實(shí)現(xiàn)分析過(guò)程

按照剛才的步驟，我們?cè)诮缑嫔贤献嚓P(guān)的功能節(jié)點(diǎn)，連接起來(lái)得到的數(shù)據(jù)分析流如下圖，

每個(gè)功能節(jié)點(diǎn)都可以添加注釋，解釋所實(shí)現(xiàn)的功能，可以讓業(yè)務(wù)人員一目了然：

接下來(lái)我們看下的分析結(jié)果，雙擊生成的模型 ，可以看到以下結(jié)果：

首先，左邊的模型概要結(jié)果，通過(guò)聚類質(zhì)量數(shù)值告訴我們模型聚類結(jié)果的優(yōu)劣，越接近1是越好的，這個(gè)業(yè)務(wù)人員很好理解，當(dāng)然，如果要追溯到本質(zhì)，到底這個(gè)聚類質(zhì)量數(shù)值是什么樣的統(tǒng)計(jì)指標(biāo)，那我們通過(guò)它自帶的幫助文檔也可以知道，這個(gè)值其實(shí)是Silhouette 測(cè)量：測(cè)量所有記錄的平均值，(B−A)/ max(A,B)，其中 A 是記錄與其聚類中心的距離，B 是記錄與其非所屬最近聚類中心的距離。作為業(yè)務(wù)人員，可以不必深究這個(gè)統(tǒng)計(jì)指標(biāo)，只需要通過(guò)這個(gè)數(shù)值比較各種聚類結(jié)果的優(yōu)劣。

右邊的餅圖直觀地看到各類的占比，我們可以通過(guò)各類的占比判斷各類分布是否均勻，如果不均勻，從業(yè)務(wù)上會(huì)不會(huì)不好落實(shí)管理。

除此之外，我們需要了解，到底哪些因素影響了我的聚類結(jié)果，哪些因素是重要的，哪些是不重要的影響因素，我們可以通過(guò)預(yù)測(cè)變量重要性來(lái)了解，如下圖：

另外，我們?cè)谙路讲榭催x擇框中選擇“聚類”和“聚類比較”，可以看到以下結(jié)果：

左邊的圖形中，我們可以看到，每一類，各個(gè)指標(biāo)的平均值，我們想到剛才通過(guò)R實(shí)現(xiàn)的聚類結(jié)果，也有各類的平均值，這個(gè)理論上來(lái)說(shuō)是一樣的，但為什么結(jié)果看起來(lái)不一樣呢？這個(gè)我們后面再解釋。我們先看從上面這個(gè)圖，我們可以怎樣從業(yè)務(wù)上理解這個(gè)分析結(jié)果。

從上圖中，我們可以清楚看到每個(gè)類別各個(gè)指標(biāo)的平均值，可以先從數(shù)值上分析出各類有哪些指標(biāo)比較異于其它類別，比如說(shuō)，聚類5，掉線次數(shù)平均值為3.52，遠(yuǎn)遠(yuǎn)高于其它類別，這個(gè)從下面的箱圖也可以明顯看出(黑色框標(biāo)識(shí)出)。

通過(guò)這兩個(gè)圖形，我們可以很快地找出每一類異于其它類別的特征，并從業(yè)務(wù)的角度來(lái)描述這一群人的特征，比如第5類，我們可以大概總結(jié)為：掉線次數(shù)最多，國(guó)際長(zhǎng)途幾乎沒(méi)有，本地話費(fèi)和長(zhǎng)途話費(fèi)最多等等。SPSS Modeler這樣的分析展現(xiàn)結(jié)果，我們業(yè)務(wù)人員可以很好的結(jié)合自己的業(yè)務(wù)經(jīng)驗(yàn)來(lái)對(duì)群組進(jìn)行特征描述,然后根據(jù)每一類的特征，我們?cè)俑鶕?jù)我們的業(yè)務(wù)目標(biāo)，制定營(yíng)銷策略或者是管理策略，這就是業(yè)務(wù)人員擅長(zhǎng)的問(wèn)題了。

最終的分析結(jié)果，每個(gè)客戶到底屬于哪一類，我們直接通過(guò)表格就可以看到：

分析總結(jié)

從以上的例子，我們做下總結(jié)：

1.從使用者的視角來(lái)看，R語(yǔ)言當(dāng)然有它強(qiáng)大的地方，但對(duì)于不懂R語(yǔ)言編程或者不是很熟練的人員來(lái)說(shuō)，還是會(huì)有一定的障礙，每個(gè)函數(shù)其實(shí)都包括了相關(guān)的參數(shù)，要搞懂這些參數(shù)必須查閱幫助文檔，全是英文版本，如果英文不太好的話，又是另外的障礙。如果沒(méi)有花費(fèi)一定的時(shí)間，也不容易熟練地掌握R語(yǔ)言，而且對(duì)于最終模型的維護(hù)與優(yōu)化也是要花時(shí)間與人力成本的。

2.從分析過(guò)程及結(jié)果來(lái)看，我們可以看到兩個(gè)分析結(jié)果，雖然都是用了K-Means算法，都是分成5類，但結(jié)果截然不同，為什么呢？主要有兩個(gè)原因：

（1）K-Means算法邏輯中，是用距離來(lái)做計(jì)算，因此一般要求分析前，需要對(duì)指標(biāo)做歸一化，如果0-1的指標(biāo)與10000-100000的指標(biāo)同時(shí)來(lái)計(jì)算距離的話，結(jié)果肯定會(huì)聚焦在10000-100000這個(gè)指標(biāo)上，而上面用R計(jì)算的時(shí)候，我是沒(méi)有做歸一化的，那如果使用人員對(duì)這一邏輯不熟悉，那么出來(lái)的結(jié)果肯定會(huì)有問(wèn)題。而SPSS Modeler里面的K-Means算法，它已經(jīng)考慮了這個(gè)問(wèn)題，在這個(gè)算法中，已經(jīng)涵蓋了將數(shù)據(jù)歸一化這一處理，因此即使不太懂K-Means計(jì)算邏輯，使用這個(gè)算法，也不會(huì)有太大的問(wèn)題。

（2）K-Means算法本身在選擇初始中心點(diǎn)的時(shí)候，是隨機(jī)的，因此也可能造成結(jié)果的不一致。

3.封裝的算法，為了讓不是很懂算法的人員也可以使用，它的算法里面會(huì)內(nèi)嵌一些數(shù)據(jù)處理功能，還是以K-Means為例，本身K-Means只支持?jǐn)?shù)值型數(shù)據(jù)，如果使用R平臺(tái)，如果數(shù)據(jù)中有空白值，需要先處理，不然會(huì)報(bào)錯(cuò)。但SPSS Modeler中，如果數(shù)據(jù)有分類型數(shù)據(jù)，而且有些數(shù)據(jù)存在空白值，它仍然能夠計(jì)算得到分析結(jié)果，也是緣于它已經(jīng)提前做了數(shù)據(jù)處理，把分類型的轉(zhuǎn)為數(shù)值型的，有空白值做了填補(bǔ)。這也是它為什么受業(yè)務(wù)人員或者是沒(méi)有太多統(tǒng)計(jì)學(xué)背景的人員喜歡的原因。

4.R語(yǔ)言也有它自己非常大的優(yōu)勢(shì)，由于是開(kāi)源的，它的算法非常廣泛，特別是一些創(chuàng)新的算法，有時(shí)候使用者也非常希望可以嘗試使用。IBM也看到了這一點(diǎn)，從SPSS Modeler 16版本起，已經(jīng)封裝了R節(jié)點(diǎn)，可以直接在SPSS Modeler的R節(jié)點(diǎn)上，編寫R代碼，引入新的算法；甚至還可以自己設(shè)計(jì)面板，自定義封裝R算法，下次使用時(shí)，也不需要再修改代碼，直接使用即可。如果大家對(duì)這個(gè)感興趣，我們可以下回再做具體介紹。

的可視化、易用性不僅僅體現(xiàn)在它的圖形化界面上，更多的是體現(xiàn)在它里面對(duì)算法封裝時(shí)考慮的全面性，分析結(jié)果的可讀性，即使你不太懂得統(tǒng)計(jì)分析，同樣可以借助它來(lái)實(shí)現(xiàn)業(yè)務(wù)分析，帶來(lái)業(yè)務(wù)價(jià)值。

試用版下載地址:

via：華南IBM大數(shù)據(jù)支持團(tuán)隊(duì)

詳情請(qǐng)咨詢！

客服熱線：023-66090381