-
大
数
据
p>
建
模
和
算
法
特
征
Coca-cola
standardization
office
【
ZZ5AB-ZZSYT-
ZZ2C-ZZ682T-ZZT18
】
零售银行为了给客户提供更加优质
的服务,需要通过分析银行系统本身数据库所保留
的客户资料信息,对客户进行分类管理
。
近年
来,大数据已成为科技界和企业界关注的热点,越来越多的企业和研究者正
在关注大数据
的应用。大数据的分析与挖掘技术在科学界正在如火如荼的展开,各种大数
据的新算法被
开发研究出来,例如近年来发展比较完善的一种数据分析挖掘算法支持向量
机。
与此同时,大数据分析在商业中的运用受到人们的追捧,各种大数据在
商业中成功运
用的案例层出不穷,比如美国大型零售商
targ
et
公司的广告精准推送。本文将对大数据
分析技术以及大数据
分析技术在零售银行行业的作用进行一番探讨。
什么是大数据
2011
年,麦肯锡在题为《海量数据,创新、竞争和提高生成率的下一个新领域》的
研究报告中首次提出大数据的概念。报告认为数据已经渗透到每一个行业和业务职能领
域
,数据中蕴含着巨大的价值,这些价值将导致数据成为重要的生产因素。
2012
年《纽
约时报》的一篇专栏中写到,“大数据”时代已经降临,在商业
、经济及其他领域中,最
终决策将日益基于数据和分析而作出,而并非基于经验和直觉。
2012
年
3
月,美国奥巴
马政府宣布投资
2
亿美元
启动“大数据研究和发展计划”,这是继
1993
年美国宣布“
信
息高速公路”计划后的又一次重大科技发展部署。美国政府认为大数据是“未来的新石
油”,将“大数据研究”上升为国家意志,对未来的科技与经济发展必将带来深远影响。
进入
21
世
纪,互联网的兴起促成了数据量的大规模增长。互联网时代,几乎全民都
在制造数据,与
此同时,数据的形成也极其丰富。一方面,既有社交网络、多媒体、协同
创造、虚拟服务
等应用所主动产生的数据
;
另一方面,又有搜索引擎、网页浏览
过程中被
记录、被收集的数据。该阶段数据的特点是用户原创、主动、交互。
根据国际数据公司
(IDC)
< br>的研究报告,
2011
年全球被创建和被复制的数据总量
为
(
数
据存储单位,泽字节,等于
p>
1024
艾字节或
270
个字节
)
,且增长趋势遵循新摩尔定律,
预计到
2020
年,全球数据量大约每两年翻一番,
全球将拥有
35ZB
的数据量。正是由于信
息技术的发展,大数据才能生成和发展。大数据技术正是从海量的、多样化的数据中,快
速获得有价值信息的能力。
大数据指的是所涉及的数据量
规模巨大到无法通过人工,在合理时间内达到截取、管
理、处理、整理成为人类所能解读
的信息。在维克托
迈尔
-
舍恩伯格及肯尼斯库克耶编写
的《大数据时代》中,大数据分析是指不用随机分析抽样调查的方法,而采用对所有数据
进行分析的方法。
基于目前对大数据的认识,通常认
为大数据具备了
4V
特点,即
Volu
me(
大量
)
、
Variety(
多样
)
、
Velocity(
高速
)
、
Value(
价值
)
。这四个特点从四个方面描述了大数据分
析技术:第一,数据体量巨大。从
TB
级别到
PB
级别,甚至跃升至
EB
乃至
ZB
p>
级别
;
第
二,数据
类型多样。包括网络文本、日志、视频、图片、地理位置信息等各种结构化和非
结构化的
数据都有,一切信息皆为数据。第三,处理速度快。利用各种大数据分析工具,
比如
p>
hadoop
和
SPSS
< br>,可从各种类型的数据中快速获得高价值的信息,这一点和传统的数
据分析技术有
着本质的区别。第四,只要合理利用数据并对其进行正确、准确的分析,挖
掘出数据内部
隐藏的相关关系将会带来很高的价值回报。
与传统的逻辑推理
研究不同,大数据研究是对数量巨大的数据做统计性的搜索、比
较、聚类和分类等分析归
纳。大数据分析比较关注数据的相关性或称关联性,所谓“相关
性”是指两个或两个以上
变量的取值之间存在着某种规律。“相关分析”的目的是找出数
据集里隐藏的相互关系网
(
关联网
)
。
因此大数据是侧重找出相关关系而不是找出因果关
系。也许正是由于大数据分析侧重于寻
找相关关系,才促使大数据分析技术在商业领域广
泛应用。商业的运用在于盈利,因此只
要从数据挖掘中发现某种因素与增加盈利有较强的
关联性,然后全面开发该相关因素就行
。
大数据分析建模的基本思路技巧
有了大量数据之后,下一步就是分析这些数据,期望通过合适的数据分析挖掘技术建
p>
立模型找到蕴藏在数据下面的客观规律。大数据分析技术经过这么多年的发展,已经形成
p>
了一些分析建模的基本思路。
CRISP-DM(
< br>即“跨行业数据挖掘标准流程”的缩写
)
是一种业
界认可的用于指导大数据分析挖掘工作的方法。
CRISP-DM
认为在大数据分析中存在一个大数据分析挖掘
生命周期模型。在这个生命
周期模型中存在着商业理解、数据理解、数据准备、建立模型
、模型评估和结果部署这六
个阶段。图
1
中展示了这六个阶段的关系,其中箭头的多少表示各个阶段间依赖关系的使
用频率和重
要程度,每个阶段之间并不一定要严格遵守顺序。实际上,大多数项目都会根
据需要在这
些不同的阶段之间来回移动。
商业理解通常是指理解业务的实
际类型,业务上的实际问题并且尝试尽可能多地了解
数据挖掘的业务目标。数据理解是指
数据理解阶段包含深入了解可用于挖掘的数据,此过
程包括初始数据的收集,初始数据的
描述以及数据质量的验证。数据准备是数据挖掘最重
要的阶段之一,通常需要花费大量的
时间。据估算,实际的数据准备工作通常占
50-70%
的项目
时间和工作量。
数据准备通常包含以下任务:合并数据集和记录、选择数据子集样本、汇总记录、导
出新的属性、排序数据以便建模、删除或替换空白值或缺失值、分为训练数据集和测试数
据集等。经过数据准备,下一阶段就是建立模型。建模时通常会执行多次迭代,选择合适
的模型算法,运行多个可能的模型,然后再对这些参数进行微调以便对模型进行优化,最
终选择出一个最佳的模型。在模型评估阶段,需要对项目结果是否达到业务成功标准进行
评估。此步骤的前提条件是对声明的业务目标有清晰的了解,因此在前期的商业理解越发
显得重要。模型评估完成之后就进入到结果部署阶段,在该阶段就是将前期选择出来的最
佳模型应用到实际业务中去,并得到最终报告。
大数据分
析通过预测未来趋势及行为,做出知识的决策。大数据分析挖掘的主要目标
功能有以下几
个:
第一,自动预测趋势和行为。数据挖掘自动在大型数据库
中寻找预测性信息,以往需
要进行大量手工分析的问题如今可以迅速直接由数据本身得出
结论。比如在
GOOGLE
流感
分析案
例中预测流感爆发的时间和地点。
第二,关联分析。数据关联
是数据库中存在的一类重要的可被发现的知识,若两个或
多个变量的取值之间存在某种规
律性,就称为关联。关联分析旨在找出具有强相关关系的
几个属性。典型案例是啤酒和尿
布的关联分析,关联分析经常用在电子商务的产品推荐
中。
<
/p>
第三,聚类。数据库中的一些相类似的记录可以划归到一起,即聚类。聚类常常帮助
人们对事物进行再认识。在社交网络分析中经常用到聚类技术。
p>
大数据分析技术经过这几年的发展,已经形成了一些比较成熟稳定的模型算法。常见
的模型算法有关联规则分析
(Apriori)
、决策树、神经网络、
K-MEANS
聚类、支持向量
机、多元线性回归、广义线性回归、贝叶斯网络、
Cox
以及
K
近邻等。这些算法模型有的
适合预测趋势和行为,有的适合关联分析,有的适合聚类分析
;
每种模型算法都有各自的
优劣性,我们可以针对不同的场景选择合适的算法模型进行
大数据分析挖掘。一些常用的
模型算法的优劣性和适用场合如表
1
所示:
表
1
:大数据常用模型算法的特征分析
模型算法优点缺点应用场合
关联规则分析
(Apriori)
算法容易理
解,能够用简单的
if-then
规则描述数据之间的
完备关系
;
得出的规则具有可读性
;
能处理连续和离散的数据数据间可能不存在强规则
;
由
-
-
-
-
-
-
-
-
-
上一篇: 八种方法快速消除内心恐惧
下一篇:有趣的中英文双语故事